レセプトデータを用いたデータマイニングによるシグナル検 …レセプトデータを用いたデータマイニングによるシグナル検出に関する検討報告書

レセプトデータを用いたデータマイニングによる

シグナル検出に関する検討報告書

平成 23年６月

独立行政法人医薬品医療機器総合機構

安全第一部調査分析課

i

略語・略号一覧

略語正式名称

JMDC 株式会社日本医療データセンター

maxSPRT Maximized sequestial probability ratio test

MGPS Multi-item Gamma Poisson Shrinker

NEC 日本電気株式会社

PMDA Pharmaceuticals and Medical Devices Agency


ROR Reporting Odds Ratio

PRR Proportional Reporting Ratio

SPRT Sequential probability ratio test

レセプトデータを用いたデータマイニングによるシグナル検出に関する検討報告書

ii

用語一覧

用語内容

シグナルある有害事象とある医薬品に因果関係があるかもしれないとさ

れた情報のことで、それまでに因果関係が不明か明記されていな

いもの。

注）別添の報告書における定義では、有害事象が発生した患者と

その発生時期を指す。

ナショナルレセプトデータ

ベース

高齢者の医療の確保に関する法律（昭和 57 年法律第 80 号）第 16

条の規定に基づき、厚生労働省保険局が構築しているレセプト情

報・特定健診情報等データベース。医療費適正化計画の作成等に

資する調査・分析を行う等の高齢者医療確保法に基づく利用の

他、医療サービスの質の向上等を目指した正確なエビデンスに基

づく施策の推進への利用についても、厚生労働省においてデータ

利用の公益性等に関し検討が進められている。

副作用病気の予防、診断もしくは治療、または生理機能を変える目的で

投与された（投与量にかかわらない）医薬品に対する反応のうち、

有害で意図しないもの。医薬品に対する反応とは、有害事象のう

ち当該医薬品との因果関係が否定できないものを言う。

有害事象医薬品が投与された患者または被験者に生じたあらゆる好まし

くない医療上のできごと。必ずしも当該医薬品の投与との因果関

係が明らかなもののみを示すものではない。

レセプト診療報酬明細書。主に「医科レセプト」、「歯科レセプト」、「調

剤レセプト」の 3種類に分類され、「医科レセプト」は更に「入

院」と「入院外」に分類される。レセプトは、審査支払機関へ診

療報酬の請求を行うために各医療機関より患者単位、一か月単位

で発行されている。診療行為ごとに診療報酬点数が決められてお

り、医療機関はこの点数を合算して保険者に医療費を請求する。


iii

目次

目次 ............................................................................................................................... iii

１．背景 ........................................................................................................................ 1

２．目的 ........................................................................................................................ 2

３．データマイニング検討 ............................................................................................ 3

3-1. シグナル検出手法 ............................................................................................... 3

3-2. レセプトデータ .................................................................................................. 3

3-3. データマイニング手法検討 ................................................................................. 4

４．別添報告書に対する考察 ......................................................................................... 6

５．総括 ........................................................................................................................ 9

1

１．背景

PMDAは、第二期中期目標において、医薬品の安全対策の高度化を目指すため、「IT

技術の活用により、新規安全性情報の検出や解析を行うための手法を検討し、効率的・

効果的な安全性情報評価体制を構築する」こと及び「講じた安全対策措置について、企

業及び医療機関等における実施状況及び実効性が確認できる体制を構築する」ことを定

めた。その実施計画として、「診療情報データベースのアクセス基盤を整備し、副作用

の発現頻度調査や薬剤疫学的解析を実施できる体制を構築する」こと及び「安全対策措

置の効果について、企業が実施する評価と並行して、必要に応じて独自に調査・確認・

検証できる体制を、平成 23年度から構築する」ことを定めた。

これらの第二期中期計画を実行するため、平成 21年度より新規プロジェクトである

MIHARI-Medical Information for Risk Assessment Initiative を安全第一部調査分析

課にて立ち上げ、各種電子診療情報データの収集方法、データ特性分析、副作用等の安

全性情報の抽出方法、解析手法の検討を開始した。また、検討内容に対して専門的助言

を得ることを目的に、医療情報学、薬剤疫学、生物統計学等、関連する学術分野の専門

家から構成される「電子診療情報等の安全対策への活用に関する検討会」を平成 21年

度に PMDA内に設置した。

各種電子診療情報とは、主にレセプトデータ、DPC データ、病院情報システムデータ

を指すが、このうちレセプトデータについては、厚生労働省においてナショナルデータ

ベースの構築が進められており、そのデータの二次利用に向けた議論が平成 22年 10 月

より開始された。PMDAでは、医薬品の安全対策にナショナルデータベースの利用が近

い将来可能となるであろうことを視野に入れつつ、当面は市販されているレセプトデー

タを用いてデータの活用方法を検討していく計画である。

レセプトデータを医薬品の安全性評価に活用するため、平成 21年度は、市販のレセ

プトデータを用いて基本的な集計を実施することにより、データの特性を把握すること

に注力した。平成 22 年度は、同じ市販のレセプトデータを用いて、活用目的が異なる

試行調査を複数並行して実施し、各々の目的に適した分析手法の検討を行い、これらの

分析手法の実効性をレセプトデータの特性や限界と合わせて評価した。

本報告書は、平成 22年度の試行調査の一つとして実施した、データマイニングによ

るシグナル検出の検討結果をまとめたものである。


2

２．目的

現在、PMDA における医薬品の市販後安全性評価では、自発報告を中心にシグナルの

検出を行っている。このシグナルの検出には、報告症例をレビューすることにより人が

シグナルと認識する場合とデータマイニング手法により計算の結果得られる場合の両

方が含まれる。いずれの方法であっても、自発報告は、臨床現場で実際に生じている副

作用が全て報告されるとは限らないため、検出されるシグナルにも偏りがある可能性が

考えられる。自発報告に対し、レセプトデータは診療報酬請求対象の一般の診療情報が

全て含まれるため、自発報告からのシグナル検出を補完するものとして、レセプトデー

タをシグナル検出に活用できるのではないかと考えた。自発報告で検出されないシグナ

ルを発見し既存のシグナル検出の補完の役割を果たすには、シグナル検出の対象は、特

定の有害事象や医薬品に限定せず、様々な有害事象及び医薬品とする必要がある。そこ

で、本検討においては、レセプトデータより網羅的にシグナルを検出する手法を開発・

構築することを目的として探索的検討を行う。得られた検討結果について、安全対策業

務に適用できるような実効性のある手法が構築されたか、もしくはその見込みがあるの

かを評価する。


3

３．データマイニング検討

3-1. シグナル検出手法

レセプトデータよりシグナルを検出する手法については、自発報告に適用される単純

なデータマイニング手法（ROR法、PRR法や MGPS法等）とは異なる手法が必要と考えら

れる。自発報告は、副作用が疑われる情報のみで構成されるデータであり、マイニング

の対象とする有害事象／副作用は確定した情報として扱うことができ、医薬品は既に被

疑薬と標識化されている。これに対し、レセプトデータは一般診療の情報から成るデー

タであり、明示された有害事象／副作用情報がないため、病名や医薬品の処方のタイミ

ング、診療行為（臨床検査等）の有無等、レセプトデータ上の様々なイベントの組み合

わせから有害事象／副作用の発生を推測しなければならず、簡単に有害事象／副作用や

被疑薬と判断できるものはごく僅かである。このようなデータから同じ手法を用いて目

的のシグナルを検出することは困難と考えられる。また、海外においてレセプトデータ

を用いたシグナル検出手法（SPRT法、maxSPRT 法等）の検討が進められているが、これ

らの手法は主に特定の有害事象と医薬品に注目してシグナルを検出するものであり、今

回目的とする網羅的な有害事象と医薬品のシグナル検出には適用できない。従って、こ

れまでに有害事象／副作用の検出目的で検討されている手法とは異なる金融やコンピ

ュータセキュリティの分野等において使用されている大規模なデータから目的とする

事象を検出するデータマイニング手法を用いて、レセプトデータからのシグナル検出を

検討する。

3-2. レセプトデータ

本検討には、JMDC のレセプトデータを使用した。このデータは、複数の健康保険組

合のレセプトデータを統合したもので、2005 年 1月から 2008 年 12月に発行された医

科レセプト、調剤レセプトのデータが含まれる。JMDC において予め名寄せ作業が施さ

れているため、組合員が当該健康保険組合から離脱しない限り、複数の医療機関にまた

がる保険医療の情報を患者単位に追跡することが可能である。また、組合員の扶養家族

の情報も含まれるため、乳幼児や小児のデータも含まれている。ただし、定年退職に伴

い健康保険組合から離脱することにより、60歳以上のデータは減少し、特に 65歳以上

では著しく減少している。その他、JMDCレセプトデータの特徴は平成 21 年度の「レセ

プトデータを用いたアナフィラキシーに関する試行調査報告書

（http://www.info.pmda.go.jp/kyoten_iyaku/file/e_rece-report1006.pdf）を参照の

こと。

http://www.info.pmda.go.jp/kyoten_iyaku/file/e_rece-report1006.pdf


4

本データセットは、2008 年 12月時点でデータ固定されており、対象者の年齢は、全

て誕生年の 1月 1日を誕生日として算出されている。また、本データセットのデータ項

目を図 1に示す。

3-3. データマイニング手法検討

データマイニング手法の検討は専門技術を有する業者へ委託することとし、入札の結

果、NECに決定した。

検討内容については、別添の「診療報酬明細書のデータを用いたデータマイニングに

関する技術的検討業務 2010年度検討報告書」（NEC作成）を参照のこと。


5

図 1.JMDCレセプトデータセットのデータ項目

①患者

1_0 1_1 1_2

患者ID 性別年齢(2008年1月時点)

②診療（医科入院外）

2_0 2_1 2_2 2_3 2_4 2_5 2_6 2_7 2_8

患者ID入院外医科レセID

診療年月(受診年月)

医療施設ID 経営体病床数DPC対象病院フラグ

医療費(点数)

診療実日数

③診療（医科入院）

3_0 3_1 3_2 3_3 3_4 3_5 3_6 3_7 3_8 3_9

患者ID入院医科レセID

診療年月(受診年月)

医療施設ID 経営体病床数DPC対象病院フラグ

医療費(点数)

入院日診療実日数

④医薬品（調剤）

4_00 4_01 4_02 4_03 4_04 4_05 4_06 4_07 4_08 4_09 4_10

患者ID 調剤レセID 明細ID調剤レセ年月

医療施設ID 薬局ID 調剤日処方月日医薬品名成分名一般名

4_11 4_12 4_13 4_14 4_15 4_16 4_17 4_18 4_19 4_20 4_21 4_22 4_23

薬価基準収載医薬品コード

87分類コード（再再分類まで）

ATCコード【細または小】

ATC名称【細または小】

剤型大分類剤型中分類規格単位投与量(1日当り)

日数(回数)後発品フラグ

頓用フラグ医師ID JDM診療科

⑤医薬品（入院）

5_00 5_01 5_02 5_03 5_04 5_05 5_06 5_07 5_08 5_09 5_10

患者ID入院医科レセID

明細ID 診療区分レセ年月医薬品名成分名一般名薬価基準収載医薬品コード

87分類コード

（再再分類まで）


5_11 5_12 5_13 5_14 5_15 5_16 5_17 5_18 5_19




頓用フラグ JDM診療科

⑥医薬品（入院外）

6_00 6_01 6_02 6_03 6_04 6_05 6_06 6_07 6_08 6_09 6_10

患者ID入院外医科レセID

明細ID 診療区分レセ年月医薬品名成分名一般名薬価基準収載医薬品コード

87分類コード

（再再分類まで）


6_11 6_12 6_13 6_14 6_15 6_16 6_17 6_18 6_19




頓用フラグ JDM診療科

⑦診療行為

7_00 7_01 7_02 7_03 7_04 7_05 7_06 7_07

患者ID 医科レセID 明細ID 診療区分レセ年月標準化診療行為名

標準化診療行為コード

回数

⑧傷病

8_00 8_01 8_02 8_03 8_04 8_05 8_06 8_07 8_08 8_09 8_10 8_11

患者ID 医科レセID 明細ID標準傷病コード

標準傷病名ICD-10コード

ICD-10細分類名（頭コード付き）

ICD-10小分類名（頭コード付き）

疑いフラグ主傷病フラ

グ診療開始日転帰

項目

項目

項目

項目

項目

項目

項目

項目


6

４．別添報告書に対する考察

データマイニングの専門的観点からの考察は別添の報告書に示されているため、ここ

では、主に PMDAが検討用に提供した有害事象に関する情報の観点から検討結果に対し

て考察する。

本検討では、大量のレセプトデータから効率的にシグナルを検出するため、有害事象

が発生したと考えられる患者 IDと発生時期をシグナルとして検出する方法を中心に検

討が進められた。この検討において、PMDA は主に有害事象に関する情報の提供と、デ

ータマイニングによるシグナル検出結果の評価を担当した。シグナル検出器の構築には

教師付き学習法が採用されたことから、学習用に正例（有害事象発現時のデータ）及び

負例（有害事象非発現時のデータ）の用意が必要であった。そこで、PMDA にて資料や

臨床の専門家の意見等を参考に、レセプト上に現れると考えられる有害事象名、治療薬

名、臨床検査名等をまとめた辞書と原因薬の中止、治療薬や臨床検査の実施等時間的な

タイミングを定めたスクリーニングルールを作成した。また、検出されたシグナルにつ

いて傷病名、医薬品名、診療行為名等の情報を目視により確認し、有害事象が疑われる

か否かの判定を行った。

データマイニングによるシグナル検出の検討は、課題１、課題２の二段階で検討され、

課題１では比較的重篤な６つの有害事象（劇症肝炎・肝不全、間質性肺炎、間質性腎炎・

急性腎不全、痙攣、意識障害、急性脳症）に限定し、辞書に依存したシグナル検出の検

討を行った。結果は、別添の報告書図３－10～13に示されたとおり、実験１（同一

患者集団において、有害事象発現時を正例、そうでない時期を負例と設定）では、感度

0.8で陽性的中率 0.9、また、上位 1,800 件中 1,600 件が正例と非常に高い検出精度を

示した。一方、実験２（異なる患者集団で、有害事象発現時を正例、そうでない時期を

負例と設定）では、感度 0.6で陽性的中率 0.7、また、上位 200 件で 94件が正例と実

験１より精度は低下したものの、工夫次第では精度向上が見込まれると思われる結果で

あった。この検討においては、比較的重篤と考えられる有害事象を選択したため、これ

らに対応する治療薬や診療行為の開始、原因薬の中止等、特徴的な変化がレセプトデー

タ上に認められることが多かったのではないかと考えられた。実験１の同一患者集団を

正例と負例に用いた場合では、この特徴的な変化を判別するように検出器が設定された

ことにより、理想的な結果が得られたものと思われた。実験２では、正例と負例で患者

集団が異なるため、正例に特徴的なデータが多かったものの、負例の背景情報が多様化

し、それがノイズとなり、検出精度がやや低下したものと考えられた。

課題２では、辞書に依存せずシグナル検出器を一般化することで辞書に記載されてい

ない有害事象も検出する方法の検討を行った。ここでは、別添報告書に記載されたとお

り、学習用データに３パターンを使用した。パターン１では、課題１の６つの有害事象


7

に加え、脳梗塞、心不全、低血糖、血小板減少等、有害事象の種類を拡大し、重篤とは

限らない血小板減少等の有害事象も含めた。また、スクリーニングルールを 6つの有害

事象に限定的なものから一般化し、さらに課題１に比べより適切に正例を抽出するため

ルールを厳格化した。これにより、有害事象の数は増えたものの、パターン１の正例数

は 57件と課題１で使用した正例数 1,959 件より大きく減少した。パターン２では、本

検討以外の試行調査等にて特定した５つの有害事象（光線過敏症、骨粗鬆症、パーキン

ソニズム、無顆粒球症、肝障害）を用い、発現時点を正例、それ以外の時期を負例とし

た。正例の数は 162件であった。光線過敏症以外は、治療薬や診療行為等傷病名以外の

情報も組み合わせて発現時点を特定し正例とした。光線過敏症は傷病名で特定した上で、

その前後の処方、診療行為名、傷病名の情報を目視にて確認し正例とした。これらパタ

ーン２の有害事象についても、重篤でない例が含まれていることが考えられた。パター

ン３では、医薬品が原因と考えられる傷病名「薬剤性○○」が付与された時点を正例と

し、それ以外の時期を負例とした。正例の数は 4,249 件であった。傷病名に敢えて「薬

剤性」が付与されているということは、その傷病が医薬品によるものである可能性が高

いと考えた。病名の内訳では、薬疹が最も多く 1,263 件、2 番目が薬剤性肝障害 1,146

件、3番目が薬剤性パーキンソン症候群 691 件でこれらが正例の６割を占め、その他の

病名は数件ずつで病名の種類としては合計 52 種類であった。

課題１と課題２のシグナル検出精度の比較では、パターン１の学習データを用いて検

出精度の比較を行ったが、課題１の方が課題２よりも精度が高いという結果であった

（別添図４－３）。また、課題１では図３－10～13 と比較すると検出精度は低下し

た。これらの結果は、有害事象の種類の多様化によりシグナル検出するために判別すべ

きデータが多様化したこと、それに比ベて学習用の正例が減ったことが、検出精度の低

下の一因と考えられた。さらに、課題２では、辞書に依存せず不特定の有害事象の検出

を試みたため、検出精度は課題１よりも大幅に低下しており、課題２で設定した目標を

到達することはかなり困難であることが示唆された。

学習に用いたデータの有害事象パターン別に精度を比較した結果では、シグナル検出

において上位にランクされたもので比較すると、最も精度が低かったのはパターン１、

中間がパターン１＋パターン２、最も精度が高かったのはパターン３であった（別添

図４－６）。パターン１とパターン２で有害事象の特徴が大きく異なるとは考えられな

いため、正例に含まれるデータの特徴は共通性があったのではないかと思われた。従っ

て、検出精度の差は、正例がパターン１＋パターン２の方が多かったことが主な原因と

考えた。パターン３は正例が多く、３つの有害事象（薬疹、薬剤性肝障害、薬剤性パー

キンソン症候群）が正例中約６割を占めたことから、比較的共通性を持ったデータが多

かったことが考えられた。しかしながら、課題１の結果と比較するとパターン３であっ

ても検出精度はかなり低かった。


8

上記以外にも複数の観点から検出精度向上の検討がなされたが、いずれも飛躍的な精

度向上には至らなかった。別添報告書「4-11 まとめと考察」にもあるとおり、本検討

においては、学習データとする正例・負例を用意すること、及び検出したシグナルの評

価が困難であったことが非常に大きな課題であった。レセプトデータの情報のみを用い

て有害事象発現時点を特定することは医師等臨床の知識を有する専門家であっても難

しく、この方法により正例、負例を作成することには限界があると思われた。更なる精

度向上には、マイニング技術の高度化も必要と思われるが、より適切な正例・負例の用

意が最も重要な改善ポイントと考えられた。そのためには、レセプトデータ以外の情報

源（病院情報システムや自発報告等）と連結した正例・負例の作成等が要求されるであ

ろう。また、同じく別添報告書にも記載されているように、多様な特徴を持つ有害事象

を検出するには、有害事象を似た特徴ごとにグルーピングして学習させる等、シグナル

検出工程に前処理を加えることにより検出精度向上が見込まれると考えられた。

本検討では、課題２のシグナル検出検討結果を利用して、検出上位の症例における有

害事象と医薬品、検査の組み合わせを抽出する特徴抽出の検討も併せて実施された。こ

の検討の中で、原因薬、治療薬、診療行為、傷病名の組み合わせ 61,604件を目視確認

したところ、明らかに組み合わせとして適切でないものが大半であったためそれらを除

外し、さらに精査した結果、９件のみが有害事象発現時の組み合わせとしてあり得ると

思われるものであった。別添報告書の「5-7 まとめと考察」にあるとおり、シグナル検

出の結果を利用した今回の特徴抽出方法では非常に効率が低く、実用化にはかなり遠い

ことが示された。しかしながら、抽出条件を工夫することで改善の余地があることが示

されたこと（別添表５－２）から、角度を変えて引き続き検討する価値はあるのでは

ないかと考えられた。


9

５．総括

レセプトデータを用いたデータマイニングによるシグナル検出手法の検討は、一定範

囲での検討結果が得られ、多様な有害事象のシグナル検出精度の向上には、より適切な

正例と負例の提供が必要という課題が示された。また、特徴抽出については、副次的に

実施した検討であったことから限定的な結果が示されるに留まったが、更なる検討の余

地はあることが示された。

今回の検討結果では、レセプトデータのシグナル検出が自発報告のシグナル検出を補

完するという目的を達することが可能であるのかを評価するには不十分であると思わ

れた。今回中心的に検討を進めたデータマイニングによるシグナル検出に加え、特徴抽

出の技術を利用することにより総合的に目的とするシグナルの検出が実現する可能性

が考えられる。従って、シグナル検出について更なる検討は必要であるが、特徴抽出に

ついてもシグナル検出とは独立した方法により一定の検討が必要と考えられた。ただし、

検討継続に際しては、正例、負例の提供の課題への対応方法、検出対象とする有害事象

のグループ化や絞り込み、特徴抽出に用いる学習データ等について予め検討する必要が

ある。

以上

診療報酬明細書のデータを用いた

データマイニングに関する技術的検討業務

２０１０年度検討報告書

平成２３年３月

日本電気株式会社

別添

i

用語一覧

クレンジングデータ集合に対して、誤記や入力規則に違反しているデー

タを修正、あるいは削除すること。これにより、機械的な

データ分析の効率が向上する。

コーディングデータを事前に決められた値の集合（コード）のどれかに

変換すること。事前に決められた値の集合のみを処理対象

とすることにより、機械的なデータ分析の効率が向上する。

シグナル検出器時系列データを入力とし、特定の時刻における対象事象発

生の疑わしさを出力するシステム。特に本報告においては、

患者のレセプト系列情報から生成した時系列データを入力

とし、当該期間の中心の時刻における副作用発生の疑わし

さをスコアとして出力するプログラム。

正例・負例正例：副作用発現が強く疑われる患者のレセプト系列、あ

るいはそれから生成した時系列データ

負例：副作用発現ではないと強く推量される患者のレセプ

ト系列、あるいはそれから生成した時系列データ

なお、本報告においては、実際に副作用が発生していたか

／いなかったかを感知する手段がないため、一定のルール

に基づいて正例と負例の集合を定義することとしている。

機械学習学習用のデータ集合を解析し、傾向やルールを抽出するこ

とで、特定の目的を達成するシステムを構築／調整するこ

と。本報告においては、学習用の正例と負例（および正例

か負例かが不明なレセプト系列）を解析することで、シグ

ナル検出器に入力すべき時系列データの選択と、シグナル

検出器の可変パラメータの調整を行う。

クロスバリデーシ

ョン（交差検定）

データを学習用と評価用に分け、学習用データを解析して

得られた結果の有用性を、評価用データを用いて評価する

こと。本報告では、学習用データを用いてシグナル検出器

診療報酬明細書のデータを用いたデータマイニングに関する技術的検討業務２０１０年度報告書

ii

を構築・調整し、評価用データを当該シグナル検出器に入

力した結果を用いて、シグナル検出器の精度などを評価し

ている。

副作用シグナル

スコア

シグナル検出器が出力する「特定の時刻における対象事象

発生の疑わしさ」を表す指標。単に、スコアやシグナルス

コアとも表記する。

過学習モデルが学習データに対して過適合（オーバーフィット）

し、評価データに対する汎化性能が悪化する現象。モデル

の複雑性が高すぎる、データ数に対して変数の数が多すぎ

るなどの原因によって発生する。

スクリーニング副作用発現時のレセプト系列を絞り込むために、臨床的観

点から設定した基準に沿ってレセプトデータを抽出するこ

と。本報告では、副作用辞書に記載されている項目が、特

定の発生パタンをもって現れているか否かを当該基準とし

て抽出を行っている。

特性または

特性候補

レセプト系列から生成される特徴量（レセプトの特徴を表

現する量）のこと（特性候補は、その候補）で、シグナル

検出器への入力となる。本報告では、医薬品や診療行為等

の時間的なパタンを特性として利用した。

特徴抽出シグナルスコアが大きいレセプト系列に固有の臨床イベン

トを抽出すること。本報告では、当該レセプト系列におい

て、シグナルスコアを大きくすることに寄与している薬剤、

診療行為、傷病名、あるいはそれらの組み合わせを抽出し

ている。

ナショナル

レセプト

データベース

（NRDB）

高齢者の医療の確保に関する法律（昭和５７年法律第８０

号）第１６条の規定に基づき、厚生労働省保険局が構築し

ているレセプト情報・特定健診情報等データベース。医療

費適正化計画の作成等に資する調査・分析を行う等の高齢

者医療確保法に基づく利用の他、医療サービスの質の向上

等を目指した正確なエビデンスに基づく施策の推進への利

用についても、厚生労働省においてデータ利用の公益性等


iii

に関し検討が進められている。

副作用仮説未知の副作用の「原因薬、治療薬、診療行為、傷病名」の

組み合わせ、あるいは、その部分的組み合わせに関する仮

説。本報告では、未知であるという状況を擬似的に作り出

すために、特徴抽出によって出力された臨床イベントの組

み合わせの中で、シグナル検出器の学習に用いた副作用辞

書の内容に該当しないものを、副作用仮説とみなしている。

副作用辞書劇症肝炎・肝不全や間質性肺炎、脳梗塞や心不全といった

副作用のタイプ別に、原因となる薬効群、治療薬、治療行

為、副作用傷病名のそれぞれの項目をまとめたもの。本報

告では、スクリーニングに利用することで、正例と負例の

作成を行っている。

レセプト診療報酬明細書。主に「医科レセプト」、「歯科レセプト」、

「調剤レセプト」の 3 種類に分類され、「医科レセプト」

は更に「入院」と「入院外」に分類される。レセプトは、

審査支払機関へ診療報酬の請求を行うために各医療機関よ

り患者単位、一ヶ月単位で発行されている。診療行為ごと

に診療報酬点数が決められており、医療機関はこの点数を

合算して保険者に医療費を請求する。

ＰＭＤＡＰｈａｒｍａｃｅｕｔｉｃａｌｓａｎｄＭｅｄｉｃａ

ｌＤｅｖｉｃｅｓＡｇｅｎｃｙ


レセプト系列特定患者の特定期間のレセプト情報からなる時系列デー

タ。本報告では、特定期間としてシグナル検出の対象年月

を中心とした１２ヶ月や同６ヶ月、３ヶ月などを採用して

いる。


iv

目次

目次 .............................................................................................................................. iv

1. 本検討業務の概要....................................................................................................1

2. はじめに .................................................................................................................. 3

2-1 目的 ..................................................................................................................... 3

2-2 レセプトデータ ................................................................................................... 3

2-3 検討課題 ..............................................................................................................3

3. シグナル検出課題１：...............................................................................................6

副作用辞書に依存した副作用検出方法の検討 ................................................................6

3-1 副作用辞書の作成.................................................................................................9

3-2 データ構造化／可視化........................................................................................ 10

3-3 マイニング用学習データの抽出.......................................................................... 11

3-4 レセプト系列特性の候補設計 ............................................................................. 12

3-5 特性の同定と検出器の構築................................................................................. 14

3-6 シグナル検出結果の評価 .................................................................................... 15

3-7 医療費情報の活用検討........................................................................................ 20

3-8 まとめと考察 ...................................................................................................... 20

4. シグナル検出課題２：............................................................................................. 21

副作用辞書に非記載の副作用検出方法の検討 .............................................................. 21

4-1 マイニング用学習データの追加と再定義............................................................ 23

4-2 レセプト系列特性の一般化................................................................................. 24

4-3 レセプト系列特性の追加 .................................................................................... 25

4-4 シグナル検出課題２の評価方法......................................................................... 26

4-5 シグナル検出結果の評価１（課題１と課題２の比較）..................................... 27

4-6 シグナル検出結果の評価２（特性の追加） ........................................................ 29

4-7 シグナル検出結果の評価３（負例数増加） ........................................................ 30


v

4-8 シグナル検出結果の評価４（副作用パタンの比較） .......................................... 32

4-9 シグナル検出結果の評価５（特性データの発生パタン長） ............................... 34

4-10 シグナル検出結果の評価６（誤検出に関する考察） ........................................ 35

4-11 まとめと考察 .................................................................................................... 38

5. 特徴抽出による副作用仮説抽出の検討 .................................................................... 40

5-1 特徴抽出と副作用仮説抽出................................................................................ 40

5-2 特徴抽出手順 ..................................................................................................... 40

5-3 特徴抽出結果の評価１（シグナル検出結果／検出器の挙動把握） .................... 42

5-4 特徴抽出結果の評価２（マスクされた副作用仮説の再現） .............................. 43

5-5 特徴抽出結果の評価３（そのほかの副作用仮説の抽出） .................................. 44

5-6 副作用仮説発見効率の向上可能性 ..................................................................... 45

5-7 まとめと考察 ..................................................................................................... 47

6. NRDB への適用に向けた課題 .................................................................................. 48

7. まとめ ..................................................................................................................... 50

付録 ............................................................................................................................. 51

A. シグナル検出アルゴリズム ................................................................................ 51

B. 特徴抽出アルゴリズム ....................................................................................... 52

1

1. 本検討業務の概要

目的本業務の目的は、数十万人規模のレセプトデータを用いて、副作用発現等の

臨床イベントのシグナルを網羅的に検出するのに適したマイニング手法を検

討することである。特に、副作用発現の有無はレセプトデータには明示的に

記載されていないため、処方、診療行為、傷病名、医療費などの代替指標か

らこれを推定・抽出する方法の検討を本業務の目的とする。

検討課題シグナル検出課題１：辞書に依存した副作用検出方法の検討

ターゲットとする副作用に関する原因薬、治療薬、診療行為、傷病のリ

スト（副作用辞書）が与えられた場合に、ターゲット副作用のシグナル

を精度よく検出する方法を検討する。

シグナル検出課題２：辞書不記載副作用の検出方法の検討

辞書依存の副作用検出結果から得られる知見をもとに、ターゲットとし

て学習した辞書記載の副作用だけでなく、類似の特性を示す辞書不記載

の副作用を検出する方法を検討。

特徴抽出

シグナル検出の結果から「疑いが強い」とされたレセプト系列で、どの

ような臨床イベントが起きているかを機械的に分析する方法を検討。

レセプトデータ本検討業務においては、日本医療データセンター（ＪＭＤＣ）社が有す

る健康保険組合のレセプトデータベースからのデータ（約４０万人分、

２００５年１月～２００８年１２月）を使用。

副作用辞書劇症肝炎・肝不全や、ＮＳＡＩＤｓによる光線過敏症、そのほか薬剤性

甲状腺機能障害といった既に知られている副作用とその原因となり得る

薬効群の組み合わせ合計約１７０タイプをターゲットとして、ＰＭＤＡ

にて臨床的知見を基に作成。

結果概要レセプト系列の医薬品や診療行為パタンを特性とし、「副作用発現の疑

いの強さ」を出力するシグナル検出器を機械学習技術によって構成し、

副作用辞書に記載された副作用と記載されていない副作用の両者につい

てシグナル検出の可能性を評価した。実験結果からは、学習した副作用

イベントだけでなく、類似の特性をもつ未学習の副作用イベントに関し

ても、副作用が発現しているレセプト系列を特定できる可能性がある事

が示唆された。一方で、正例数の不足、正例と類似の特性を示す負例の


2

存在等に起因し、直接実務で利用するに十分な検出精度は得られなかっ

た。

また、シグナルスコアが大きいレセプト系列固有の臨床イベントを、機

械的に抽出する「特徴抽出」分析に関しても検討を行った。実験からは、

シグナルスコアが大きいレセプト系列の特徴を抽出するだけでは、副作

用仮説（薬剤、診療行為、傷病名等の組み合わせ）発見の効率は低かっ

たが、仮説発見を目的とした分析手法で効率向上できる可能性は十分に

期待できることが確認された。

考察シグナル検出精度向上に向けては、特性データの高度化（組合せ、外部

情報、非線形等）やシグナル検出ロジックの高度化（ルールとの融合、

学習データ獲得の効率化等）等が今後の重要な課題として挙げられる。

また、特徴抽出については、本検討業務は副作用仮説の抽出という視点

に関しては、重要でありながらも、副次的な取り組みによって可能性を

示したにとどまっている。「副作用仮説の抽出」という視点からの本格

的な取り組み、および今回の結果との融合方法の検討は重要な今後の課

題である。


3

2. はじめに

2-1 目的

本業務の目的は、数十万人規模のレセプトデータを用いて、副作用発現等の臨床イベ

ントのシグナルを網羅的に検出するのに適したマイニング手法を検討することである。

特に、副作用発現の有無はレセプトデータには明示的に記載されていないため、処方、

診療行為、傷病名、医療費などの代替指標から副作用発現を推定・抽出する方法の検討

を本業務の目的とする。

「副作用発現等の臨床イベントのシグナルを検出する」という目標に向けては、

シグナル検出：副作用が発現しているレセプト系列の特定

特徴抽出：副作用仮説（原因薬、治療薬、診療行為、傷病の組合せ）の抽出

という２つの視点があり、一般的にはデータマイニングのアプローチがそれぞれ異なる。

本業務では、シグナル検出を主たる目標とし、マイニング手法によるシグナル検出の可

能性検討を行った。なお、特徴抽出に関しても、前者の副次的な取り組みとして検討を

行ったため、その結果を報告する。

2-2 レセプトデータ

検討に用いたレセプトデータは、ＪＭＤＣ社のレセプトデータベースからのデータで

ある。患者数は約４０万人であり、レセプト数にしてそれぞれ、入院外医科：約７１３

万件、入院医科：約１１万件、調剤：約３０６万件相当のデータからなる。データ期間

は２００５年１月から２００８年１２月までの４８ヶ月間で、ＪＭＤＣ社によりクレン

ジング、コーディングが施された上で、リレーショナルデータベースとして構造化され

ているものである。データ構造および主な項目は付録参照。

2-3 検討課題

本業務では、大目標としてシグナル検出を検討し、副次的な取り組みとして特徴抽出

を行った（２－１参照）。以下では、各検討の概要を説明する。


4

2-3-1 シグナル検出

シグナル検出は、以下の二つの課題を設定し検討を進めた。

シグナル検出課題１：副作用辞書に依存した副作用検出方法の検討

ターゲットとする副作用に関する原因薬、治療薬、診療行為、傷病のリスト（以下、「副

作用辞書」。副作用辞書については３－１節参照。）が与えられた場合に、ターゲット

副作用のシグナルを検出する方法を検討。

シグナル検出課題２：副作用辞書に非記載の副作用検出方法の検討

辞書依存の副作用検出結果から得られる知見をもとに、ターゲットとして学習した辞書

記載の副作用だけでなく、類似の特性を示す辞書不記載の副作用を検出する方法を検討。

本業務の目的である網羅的な検出方法の検討は課題２に相当するが、その検討を進め

るために必要な「副作用シグナルを有するレセプト系列の傾向」等に関する知見を得る

ために、課題１を実施することは必須となる。逆に課題１において、十分な精度でシグ

ナル検出ができないのであれば、課題２は検討するまでもなく網羅的なシグナル検出が

非現実的であると結論付けることができる。よって本検討では、まず課題１に取り組み、

一定の見通しが立った上で課題２に取り組むこととした1。

2-3-2 特徴抽出

上記シグナル検出の出力は、入力されたレセプト系列に対する「副作用発現の疑わし

さ」であり、これを用いることにより、副作用が発現していると疑われる「患者とその

タイミング（年月）」を大量のレセプトデータから抽出することができる。一方、そこ

でどのような臨床イベントが起きていたかについては、原理的には元のレセプト系列を

可視化・目視することで確認できるはずであるが、疑わしいとして抽出されるレセプト

系列が多数の場合は、非常に大きい手間を必要とする。また、疑わしいレセプト系列固

有の臨床イベントを確認したい場合には、疑わしいとして抽出されないレセプト系列に

1 また、課題１において、辞書記載の「原因薬、治療薬、診療行為、傷病」の同時発生

によりシグナルを検出する場合には、ノイズとなる誤報（偽陽性）が多数発生する事が

想定されるが、辞書情報にマイニング技術を合わせる事で偽陽性のシグナル数を低減す

る事が可能かを副次的に観察する事が可能である。


5

おける臨床イベントとの比較も必要になり、元データの可視化・目視という方法は現実

的ではなくなる。

そこで本検討では、スコアが大きいレセプト系列固有の臨床イベントを、機械的に抽

出する「特徴抽出」分析に関しても検討を行った。特徴抽出には様々な方法が考えられ

るが、今回は、特にシグナル検出に関する検討の文脈にそった方法を採用した。すなわ

ち、シグナル検出器が大きいスコアを発するレセプト系列において、検出器が出力する

シグナルのスコアを増大させることに寄与していた薬剤、診療行為、傷病名の共起組み

合わせを抽出し、それらの頻度を、シグナルスコアの大きさの異なるレセプト系列群で

比較するという動作原理に基づく、特徴抽出方式を検討の対象とした。

このような特徴抽出は、上記のようなシグナル検出結果の確認や、それを通したシグ

ナル検出器の挙動把握をするための分析手法であるが、本検討ではこれをさらに副作用

仮説の発見、すなわち「副作用の原因薬、治療薬、診療行為、傷病名の発見」に利用で

きないかの検討も行った。これは、スコアが増加するレセプト系列における固有の臨床

イベントとして、そのような副作用仮説の組み合わせが抽出されるのではないかという

期待に基づいた検討である。

一方、副作用仮説の発見という目的に対しては、副作用自発報告データからの「注目

すべき医薬品と副作用の組み合わせ」の抽出等を目的に行われている、ＲＯＲ(Ｒｅｐｒ

ｏｔｉｎｇＯｄｄｓＲａｔｉｏ)法やＧＰＳ(ＧａｍｍａＰｏｉｓｓｏｎＳｈｒ

ｉｎｋａｇｅ)法等を、今回検討したシグナル検出という文脈を離れて、レセプト系列に

存在する全ての傷病と処方情報の組み合わせに対して直接的に適用するということも考

えられる。今回はこれらの分析手法との比較検討を行ってはいないが、これらの分析は

「注目する副作用と医薬品の組み合わせ」について、他の副作用と医薬品の組み合わせ

と比較して、偏って頻度が大きいものを抽出する手法であるため、これらの分析手法を

レセプト系列に直接的に適用しても「原疾患の治療薬、診療行為、傷病名の組み合わせ」

が主に抽出されるに過ぎないことが容易に推察される。その意味からは、本検討におけ

る「シグナルスコアを増加させる固有の組み合わせの抽出」という原理は、抽出すべき

対象を副作用関連のものに絞ることを期待した方式であるともいえる。

特徴抽出のアルゴリズム、および検討の結果は第５章で述べる。


6

3. シグナル検出課題１：副作用辞書に依存した副作用検出方法の検討

課題１においては、副作用辞書が与えられた場合に、ターゲット副作用のシグナルを

精度よく検出する方法を検討する。

副作用辞書が与えられた場合、シグナル検出の方法として、辞書にマッチするレセプ

トデータを抽出する方法が考えられるが、単純な辞書とのマッチングでは精度よく副作

用シグナルを検出することはできないと考えられる（また、予備評価を実施し、単純マ

ッチによるシグナル検出ではノイズが多くなる事を確認した）。その理由としては、原

因薬、治療薬、診療行為の順序や同期性の考慮が必要であることや、レセプト記載の傷

病名を参考とするにしても、適切に臨床症状が反映されていない場合があることなどが

挙げられる。また、転院等の辞書非記載の情報を参考にすることによって、さらに検出

精度が向上すると考えられるので、上記のような単純マッチを今回の検討の結果とする

ことは不適当である。

そこで課題１においては、副作用発現が強く疑われる少数のレセプト系列例（学習用

データ）を臨床的観点から人手で抽出し、その特性をマイニングにより発見・利用する

ことによって、精度の高いシグナル検出方法を構成できるかを基本問題構造として設定

する。なお、学習データのうち、副作用発現が強く疑われるレセプト系列を正例、副作

用発現の疑いがない（低い）レセプト系列を負例とよぶ。

なお、

・臨床的観点による学習用データ抽出

・当該レセプト系列例を特徴付ける特性の同定

・同定した特性を組み合わせて精度よく検出を行う方式の構成

が、極端なマンパワーの使用や、特殊な高性能コンピュータなどに頼ることなく、数ヶ

月程度の期間で完了できるかどうかを検討の主たるポイントとする。シグナル検出課題

１については、これらの検討ポイントについてクリアできる可能性が確認できた段階で

シグナル検出課題２へ進むこととする。

課題１の具体的な検討手順は以下の通りである。また、その概要を図３－１に概観す

る。


7

1. 副作用辞書の作成

ＰＭＤＡにて、ターゲット（既に知られている副作用と原因薬）を設定、専門委員の

意見等専門知識に基づき作成する。

2. レセプトデータ系列の構造化／可視化

特定患者のレセプト系列を直感的に概観可能にする。

下記３や６の目視や７の考察、４や５の設計を効率よく行うために必要となる。

3. マイニング用学習データの抽出

スクリーニングや目視により、副作用発現が強く疑われるレセプト系列例（正例）、

副作用発現ではないと強く推量されるレセプト系列例（負例）を臨床的観点から人手

で抽出

4. シグナル検出用レセプト系列特性の候補設計

基本特性列挙、スクリーニングルールの一般化を行う。

5. 学習データを特徴づける特性の同定とシグナル検出器の構築

機械学習技術による特性選択と検出器のパラメータのチューニングを行う。

6. 検出結果の評価

精度評価、検出例目視、検出方式の特徴（実験条件による結果の違い等）把握を行う。

7. 検討ポイント考察、手法の一般化および実用性に関する議論

ただし、上記の手順は順に一通り実行するだけではなく、６の目視結果を３～５にフ

ィードバックすることで、繰り返し精度向上を行うこととする。


8

検出結果

レセプトデータ

正例

副作用発現が強く疑われるレセプト系列

副作用発現でないと強く推量されるレセプト系列

負例

レセプト系列特性の候補

4.4.レセプト系列レセプト系列特性候補設計特性候補設計

シグナル

検出器

副作用辞書

検出結果


２２..構造化・可視化構造化・可視化されたレセプトされたレセプト

3.3.学習用学習用

データ抽出データ抽出

１１ ..副作用副作用辞書作成辞書作成

※※ＰＭＤＡ殿作業ＰＭＤＡ殿作業

5.5.検出器検出器の構築の構築

評価結果

6.6.検出結果の検出結果の

評価評価

検出結果

評価結果評価結果

7.7.考察考察

機械学習

検出器（ＮＥＣ保有）のタイプ指定

フィードバック



図３－１課題１の検討手順

また、各検討過程におけるデータ処理と検討ポイントをまとめると、図３－２の通り

となる。以下、本章では課題１の各検討過程の内容を説明する。

学習用レセプトデータ

（正例・負例）

学習用

レセプトデータ（正例・負例）

特性データに変換特性データに変換

特性データ


特性データ


シグナル検出（学習）

シグナル検出（学習）

検出対象


検出対象レセプトデータ

特性データに変換特性データに変換

特性データ特性データ

シグナル検出（検出）

シグナル検出（検出）

シグナル検出器

シグナル検出器

シグナル検出結果

シグナル検出結果

学習フェーズ

正例・負例*はどれか？

正例・負例*はどれか？

どのような特

性に変換するか？

どのような特性に変換する

か？

どのようなシグナル検出器を

利用するか？

どのようなシグナル検出器を

利用するか？

結果は妥当か？

結果は妥当か？

図３－２課題１の検討過程における処理と検討ポイント

※PM DA 作業


9

3-1 副作用辞書の作成

ターゲットとする、劇症肝炎・肝不全、間質性肺炎、間質性腎炎・急性腎不全、痙攣、

意識障害、急性脳症の６種類の副作用に対し、副作用辞書をＰＭＤＡにて作成いただい

た2。作成に当たっては、主に厚生労働省の事業により作成された「重篤副作用疾患別対

応マニュアル」とＰＭＤＡ専門委員である臨床医の意見が参考とされた。

これらの各副作用に対し、原因となる薬効群、治療薬、治療行為、副作用傷病名のそ

れぞれの項目をまとめたものが副作用辞書である（図３－３は副作用辞書の例）。学習

用データの抽出等のためのレセプトデータとの各項目のマッチングは、それぞれ表３－

１に掲げるレセプトデータのフィールドと一致するか否かで判別を行うものとした3。

表３－１副作用辞書とマッチングをとるレセプトデータのフィールド

副作用辞書の項目マッチングをとるレセプトデータのフィールド

原因薬成分名と剤形大分類

治療薬ＡＴＣコードと剤形大分類

診療行為標準化診療行為コード

副作用傷病傷病名

2 なお、検討を進める上で、シグナル検出課題１からシグナル検出課題２へ移行する際

に副作用辞書を更新しており、両課題では副作用辞書が異なる。 3 これ以外にも副作用辞書においては、原因薬にはＡＴＣコード、治療薬には成分名・

一般名、診療行為には、標準化診療行為名・診療点数早見表・診療行為名・診療区分、

副作用傷病にはＩＣＤ－１０コードのフィールドが作成されたが、空欄の割合やどれく

らい細かく区別するべきか等の観点から、マッチングするフィールドは表１の通りに決

定した。


10

[side-effect-301]G400 局所性痙攣G403 強直間代発作G513 顔面痙攣J385 喉頭痙攣R252 間代強直性痙攣四肢痙攣発作R568 間代性痙攣強直性痙攣全身痙攣痙攣発作

[causing-medicine-301]R03B2 ｄｌ－塩酸メチルエフェドリン・ジプロフィリン外用薬R03B2 アミノフィリン外用薬R03B2 アミノフィリン注射薬R03B2 アミノフィリン内用薬R03B2 コリンテオフィリン内用薬R03B2 ジプロフィリン外用薬R03B2 ジプロフィリン注射薬R03B2 ジプロフィリン内用薬R03B2 ジプロフィリン・塩酸エフェドリン内用薬R03B2 ジプロフィリン・塩酸メトキシフェナミン内用薬R03B2 テオフィリン注射薬R03B2 テオフィリン内用薬R03B2 プロキシフィリン注射薬R03B2 プロキシフィリン内用薬R03B2 プロキシフィリン・塩酸エフェドリン内用薬R07A- テオフィリン内用薬R07A- アミノフィリン注射薬

[curative-medicine-301]N03A- ジアゼパムジアゼパム坐剤外用薬N05C- ジアゼパムジアゼパム注射液注射薬N03A- フェニトインナトリウムフェニトインナトリウム注射薬

[medical-treatment-301]160075310 ＥＥＧ８脳波検査 D235160147610 脳波検査判断料脳波検査診断料 D238170022290 ＣＴ、ＭＲＩ（２回目以降）磁気共鳴コンピューターE202170011710 単純ＣＴ撮影（その他）コンピューター断層撮影E200170011710 ＣＴ撮影（その他）コンピューター断層撮影E200170011810 単純ＣＴ撮影（マルチスライス型機器コンピューター断層撮影E200170011810 ＣＴ撮影（マルチスライス型機器コンピューター断層撮影E200170015210 単純ＭＲＩ撮影（その他）コンピューター断層撮影E200170015210 ＭＲＩ撮影（その他）コンピューター断層撮影E200170020110 単純ＭＲＩ撮影（１．５テスラ以上コンピューター断層撮影E200170020110 ＭＲＩ撮影（１．５テスラ以上の機器コンピューター断層撮影E200170023110 躯幹特殊ＣＴ撮影コンピューター断層撮影E200170023110 特殊ＣＴ撮影コンピューター断層撮影E200170020110 躯幹単純ＭＲＩ撮影磁気共鳴コンピューターE202170023410 躯幹特殊ＭＲＩ撮影磁気共鳴コンピューターE202170023510 特殊ＭＲＩ撮影磁気共鳴コンピューターE202160008210 像血液形態・機能検査D005160019410 グルコース血液化学検査 D007160000750 糖試験紙法（血）血液化学検査 D007160025910 アンモニア血液化学検査 D007160008010 末梢血液一般血液形態・機能検査D005160021110 Ｎａ及びＣｌ血液化学検査 D007160021410 Ｋ血液化学検査 D007160022210 Ｍｇ血液化学検査 D007160021510 Ｃａ血液化学検査 D007160054610 ＣＲＰ血漿蛋白免疫学的検査D015160054710 ＣＲＰ（定量）血漿蛋白免疫学的検査D015

診療行為

副作用傷病名

治療薬

原因薬

図３－３副作用辞書の例（痙攣の例を抜粋）

3-2 データ構造化／可視化

患者毎に医薬品、診療行為、傷病の発生を時系列で概観化した。各行がどのような医

薬品、診療行為、傷病のレセプトがどの年月に発生したかを表しており、発生していな

かった年月（以下、タイムスロット）では”-“（マイナス文字）、発生していた年月では

副作用辞書にマッチする場合は”＠”（アットマーク）、マッチしない場合は”＋”（プラス

文字）を表示した。医薬品や診療行為、傷病の内容は、名称や剤形、コードで表わし、

同時に患者の性別・年代もみてとれるように可視化した（図３－４は可視化の例）。

このように、概観性を上げる可視化を行っておくことで、以降の検討手順における目

視・考察、各種設計の効率を向上させた。


11

辞書 PID 2005 2006 2007 2008 種別名称剤形コード性別・年代301A 50796 --------------------------------@--------------- 医薬品　テオフィリン内用薬 R03B2 M_05-09_301U 50796 --------------------------------@--------------- 医薬品　ジアゼパム外用薬 N03A- M_05-09_301T 50796 ------------------------@-------@--------------- 診療行為ＣＲＰ 160054610 M_05-09_301T 50796 ------------------------@-------@--------------- 診療行為末梢血液一般 160008010 M_05-09_301T 50796 --------------------------------@--------------- 診療行為Ｃａ 160021510 M_05-09_301T 50796 --------------------------------@--------------- 診療行為グルコース 160019410 M_05-09_301T 50796 --------------------------------@--------------- 診療行為Ｎａ及びＣｌ 160021110 M_05-09_301T 50796 --------------------------------@--------------- 診療行為Ｋ 160021410 M_05-09_301t 50796 ------------------------@----------------------- 診療行為像 160008210 M_05-09_301S 50796 --------------------------------@--------------- 傷病　　痙攣発作 R568 M_05-09_301E 50796 50796 -------------------+-------------++------------- 医薬品　塩酸エプラジノン内用薬 R05C- M_05-09_ 50796 -------------------+-----+-+++--+++--+--++--++-- 医薬品　Ｌ－カルボシステイン内用薬 R05C- M_05-09_ 50796 -------------------+-+---+--+--------+--++--++-- 医薬品　フマル酸クレマスチン内用薬 R06A- M_05-09_ 50796 ---------------------+-------------------------- 医薬品　トラネキサム内用薬 B02A1 M_05-09_ 50796 ---------------------+-+---------++------+-----+ 医薬品　セフテラムピボキシル内用薬 J01D1 M_05-09_ 50796 ---------------------+-----------+-------------- 医薬品　ロキタマイシン内用薬 J01F- M_05-09_ 50796 ------------------------+----------------------- 医薬品　ホスホマイシンカルシウム内用薬 J01X9 M_05-09_ 50796 ------------------------+------+---------------- 医薬品　ドンペリドン内用薬 A03F- M_05-09_ 50796 -------------------------+---+----+-------+----- 医薬品　メキタジン内用薬 R06A- M_05-09_ 50796 -------------------------+-+++--+-------++---+-- 医薬品　ヒベンズ酸チペピジン内用薬 R05D1 M_05-09_ 50796 -------------------------+---------------------- 医薬品　リン酸オセルタミビル内用薬 J05B4 M_05-09_ 50796 ----------------------------++----+---------++-- 医薬品　クラリスロマイシン内用薬 J01F- M_05-09_

辞書記号Ａ：原因薬Ｕ：治療薬Ｔ：治療行為Ｓ：副作用傷病名Ｅ：辞書マッチ終了

図３－４：レセプト系列可視化の例

3-3 マイニング用学習データの抽出

マイニング用学習データは、手順１）副作用辞書にマッチするデータをＰＭＤＡが臨

床的観点から目視確認し、以下のスクリーニングルールを作成、そのルールに従って副

作用が疑われる患者を抽出、手順２）当該患者のレセプト系列から年月タイムスロット

ごとに正例（副作用発現が強く疑われるレセプト系列例）、負例（副作用発現でないと

強く推量されるレセプト系列例）を判定、という２段階の手順により行った。

手順１では、以下の四つのスクリーニングルール

ルール①：原因薬処方が中断、６ヶ月以上再開されず

ルール②： ①の中断開始に同期（前後１ヶ月内）して該当治療薬発生

ルール③： ①の中断開始に同期（前後１ヶ月内）して該当診療行為発生

ルール④： ①の中断開始に同期（前後１ヶ月内）して、それ以前にない該当副作

用傷病名が初めて発生

を作成し、①～④に合致する患者群を患者Ａ（検討時はＣ１と定義）、①～③に合致し

④に合致しない患者群を患者Ｂ（検討時はＤ１－Ｃ１と定義）とした。

手順２においては、患者Ａ（Ｃ１）において上記①～④が成立しているタイムスロッ

ト群をＡＰ（検討時はＣ１Ｐと定義）、そうでないタイムスロット群をＡＮ（検討時は

Ｃ１Ｎと定義）、患者Ｂ（Ｄ１－Ｃ１）において上記①～③が成立しているタイムスロ

ット群をＢＰ（検討時は（Ｄ１－Ｃ１）Ｐと定義）、そうでないタイムスロット群をＢ

Ｎ（検討時は（Ｄ１－Ｃ１）Ｎと定義）と定義した。これらのタイムスロット群を目視

したところ、ＡＰ（Ｃ１Ｐ）は正例が多数を占め、ＢＰ（（Ｄ１－Ｃ１）Ｐ）は正例と


12

負例が混在、ＡＮ（Ｃ１Ｎ）とＢＮ（（Ｄ１－Ｃ１）Ｎ）は負例が多数を占めることが

観察されたので、正例をＡＰ（Ｃ１Ｐ）、負例はＡＮ（Ｃ１Ｎ）あるいはＢＮ（（Ｄ１

－Ｃ１）Ｎ）と暫定的に定義することとした。図３－５は全データ集合における正例・

負例の範囲を図示したものである。

①原因薬中断

②治療薬投与③診療行為開始④副作用傷病名発現

が同時発生する年月

①原因薬中断②治療薬投与③診療行為開始

④副作用傷病名発現が同時発生する年月

上記以外の年月

①原因薬中断

②治療薬投与③診療行為開始


①原因薬中断②治療薬投与③診療行為開始


タイムスロットＡＰ

全患者の全年月のデータ

上記以外の年月

患者Ａの全年月データ患者Ｂの全年月データ

タイムスロットＡＮ

タイムスロットＢＰ

タイムスロットＢＮ

図３－５全データ集合に対する正例負例の範囲

3-4 レセプト系列特性の候補設計

レセプト系列の特性として何を検出器に入力するかは、無数の候補が想定できるが、

今回は「シグナル検出対象年月を中心とした１２ヶ月において、原因薬、治療薬、診療

行為の発生パタン毎の発生頻度」とする。１２ヶ月間での発生パタンは全部で２の１２

乗（＝４０９６）通りあるが、それぞれ原因薬、治療薬、診療行為毎に頻度を集計した

合計３×２の１２乗＝１２２８８個の変数が、検出器に入力すべき変数の候補とする（次

章「３－５特性の同定と検出器の構築」において、これらの中からシグナル検出に有効

な変数が機械学習技術によって選択される）。なお、上記で１２ヶ月とおいている発生

パタンの長さについては６ヶ月から１２ヶ月まで条件を変えながら同様の実験を行い評

価したが、シグナル検出課題１においては、精度が最も高くパタンとしての表現力も十

分に大きい１２ヶ月を採用し、その結果を報告する4。

4 なお、シグナル検出課題２では、パタンの長さを３ヶ月や６ヶ月へ変更する。これは、

シグナル検出課題２では正例の数が減った事や、シグナル検出課題２では辞書の情報を

利用する事が難しいため、４０９６通りのパタンが多くなりすぎるためである。（これ

は逆に、解くべき問題の性質に応じてパタンの長さを変えるべきという事を意味する。

精度を追及する場合には、パタンの長さを交差検定法等によってデータから調整するこ

とが望ましい）


13

図３－６を用いて、上記の特性候補生成の様子を説明する。実際には１２ヶ月におけ

る発生パタンを本検討では用いているが、説明が煩雑になるため、ここでは３ヶ月にお

ける発生パタンの例を説明する。

今回の検討に用いているレセプトデータは４８ヶ月分であり、各年月において、ある

原因薬や治療薬に関するレセプトが特定の患者に対して発生しているかは、「発生」を

１、「発生せず」を０で表すと、１か０を４８個並べたもの、すなわち４８桁のビット

パタンとなる。シグナル検出器に入力されるデータは、上記４８桁のビットパタンから、

シグナル検出の対象としているタイムスロットを中心とした１２ビットを取り出して

（図３－６の「ある患者のレセプトデータ」の部分。図では３ヶ月分の３ビットを取り

出すとして説明）、頻度を原因薬、治療薬、診療行為ごと5に集計したものである。すな

わち、３ビットのビットパタンは全部で８通り（図３－６の「全発生パタン」の部分）

あるが、それぞれについて該当する原因薬の数、治療薬の数、診療行為の数を集計し（図

３－６の「特性データの候補」の部分）、当該患者の当該タイムスロットの特性データ

候補とする。

原因薬１：０１００１０・・原因薬２：００００１０・・

・・

治療薬１：００１０００・・治療薬２：１０１００１・・

・・・

診療行為１：００１０００・・診療行為２：０１１１００・・

・・

ある患者のレセプトデータ当該年月で当該項目が

発生→１、未発生→０

年月

０００パタン０００パタン

００１パタン００１パタン

０１０パタン０１０パタン

１００パタン１００パタン

１１１パタン１１１パタン

原因薬０００パタン発生頻度原因薬０００パタン発生頻度

原因薬００１パタン発生頻度原因薬００１パタン発生頻度

・・

治療薬０００パタン発生頻度治療薬０００パタン発生頻度

治療薬００１パタン発生頻度治療薬００１パタン発生頻度

・・

診療行為０００パタン発生頻度診療行為０００パタン発生頻度

診療行為００１パタン発生頻度診療行為００１パタン発生頻度

・・

着目する期間

全発生パタン特性データの候補

０１１パタン０１１パタン

１０１パタン１０１パタン

１１０パタン１１０パタン

図３－６レセプト系列特性データの候補生成

5副作用傷病名も重要な特性であるが、正例の作成時に副作用傷病名の情報を利用してい

るため、本検討では利用しない方針とした。


14

3-5 特性の同定と検出器の構築

前節で構成した、副作用シグナルの検出対象年月に対する１２２８８個の系列特性候

補から、入力変数としてシグナル検出に有効なものの選択と、当該年月（期間の中心）

における副作用発現の疑いの強さをスコア（副作用シグナルスコア）として出力する「シ

グナル検出器」の構成を、機械学習技術により実施した。

今回の検討においては、ＮＥＣ保有のシグナル検出器を用いた。本検出器は多数の調

整パラメータ（加重値）を持ち、色々なシグナル検出基準を実現することが可能な柔軟

な構造を有しているものであり、図３－７にその概要を掲げる（仕様詳細については付

録を参照）。入力された変数に対してそれぞれ指定された加重値が乗ぜられ、それらを

すべて合算したものをベースにスコアが計算されて出力されるという構造をしている。

この検出器に対し、１２２８８個の候補の中のどれを入力データとして与えるべきか

と、それぞれの加重値をいくつにするべきか、さらに若干の挙動調整のパラメータをい

くつにするべきかを、前々節で構成した正例・負例の両データから機械学習技術を用い

て自動調整した。

原因薬０００パタン発生頻度

原因薬０００パタン発生頻度

・・

治療薬０００パタン発生頻度

治療薬０００パタン

発生頻度

・・

診療行為０００パタン発生頻度

診療行為０００パタン発生頻度

・・

シグナル検出対象の特性データ

原因薬０００パタン加重値

原因薬０００パタン加重値

・・

治療薬０００パタン

加重値

治療薬０００パタン加重値

・・

診療行為０００パタン加重値

診療行為０００パタン加重値

・・

各パタン頻度の加重値

副作用シグナル

スコア

副作用シグナルスコア

スコアが大きいほど副作用の疑いが強い

各パタンの発生頻度と加重値の積（掛け算）を足し合わせたものをベースにスコアを計算

入力として用いるか

○

○

×

・・

・・

・・

機械学習で最適化

（ＮＥＣ技術）

図３－７シグナル検出器の仕様概要


15

3-6 シグナル検出結果の評価

シグナル検出の実験は、以下のように条件を変えて二通り行った（図３－８参照）。

実験１：正例＝タイムスロットＡＰ（Ｃ１Ｐ）、負例＝タイムスロットＡＮ（Ｃ１Ｎ）

実験２：正例＝タイムスロットＡＰ（Ｃ１Ｐ）、負例＝タイムスロットＢＮ（Ｄ１－Ｃ

１）Ｎ）

実験１は同一患者群における副作用シグナル有（正例）と副作用シグナル無（負例）

の判別をしているのに対し、実験２は異なる患者群における副作用有（正例）と副作用

無（負例）の判別をしていることになる。

①原因薬中断②治療薬投与③診療行為開始④副作用傷病名発現が同時発生する年月

①原因薬中断②治療薬投与③診療行為開始④副作用傷病名発現が同時発生する年月

それ以外の年月

①原因薬中断②治療薬投与③診療行為開始が同時発生する年月

①原因薬中断②治療薬投与③診療行為開始が同時発生する年月

それ以外の年月

実験１

実験２

データ数：1959

データ数：91824 データ数：811892

患者Ａの全年月患者Ｂの全年月

タイムスロットＡＰ

タイムスロットＡＮ

タイムスロットＢＰ

タイムスロットＢＮ

データ数：21916

図３－８評価実験１と実験２の学習データの範囲

それぞれの実験においては、正例データと負例データを学習用と評価用に分け、学習

用データでシグナル検出器を構成し、評価用データに対して正しくシグナル検出が行わ

れるかをみるクロスバリデーション（交差検定）によって、シグナル検出の精度評価を

行った。特に本検討においては「検出器によって出力された副作用疑いの強さ（スコア）

が大きいデータから、運用者が確認していく」という運用体制を想定して、スコアの上

位何位まで確認すると、そのなかに副作用シグナル有のデータ（正例）が何件含まれる

か、シグナル無データ（負例）が何件含まれるかという観点から評価を行った。すなわ

ち、様々な分野で精度の評価によく用いられている基準を、スコアの上位Ｘ件のデータ

まで計算することによってシグナル検出器の評価を行うこととした。具体的には以下の

３基準である。


16

ＰｏｓｉｔｉｖｅＰｒｅｄｉｃｔｉｖｅＶａｌｕｅ（陽性的中率、ＰＰＶ）

計算式：スコア上位Ｘ位までの正例数 / Ｘ

Ｓｅｎｓｉｔｉｖｉｔｙ（感度）、ＴｒｕｅＰｏｓｉｔｉｖｅＲａｔｅ

計算式：スコア上位Ｘ位までの正例数/スコア最下位までの正例数

ＦａｌｓｅＰｏｓｉｔｉｖｅＲａｔｅ（偽陽性率、ＦＰＲ）、Ｓｐｅｃｉｆｉｃｉ

ｔｙ（特異度）

計算式：スコア上位Ｘ位までの負例数（誤報）/ スコア最下位までの負例数

ＰｏｓｉｔｉｖｅＰｒｅｄｉｃｔｉｖｅＶａｌｕｅは上位Ｘ位まで確認したと

きの精度、Ｓｅｎｓｉｔｉｖｉｔｙは検出の網羅性、ＦａｌｓｅＰｏｓｉｔｉｖｅＲ

ａｔｅは誤報の多さを表している。

例えば、図３－９の仮想的なシグナル検出の出力（スコアの大きい順にソート）に対

しては、第３位までの確認（Ｘ＝３）で、ＰＰＶ＝２/３＝０．６６６、Ｓｅｎｓｉｔ

ｉｖｉｔｙ＝２/４＝０．５００、ＦＰＲ = １/３＝０．３３３となり、第５位までの確

認（Ｘ＝５）で、ＰＰＶ＝４/５＝０．８００、Ｓｅｎｓｉｔｉｖｉｔｙ＝４/４＝１．

０００、ＦＰＲ＝１/３＝０．３３３と計算されることになる。

順位 PID, TIME スコア副作用

１位 12345, 2000/08 0.995 正例

２位 12121, 2001/10 0.992 負例

３位 3355, 2000/01 0.854 正例

４位 653, 2003/04 0.841 正例

５位 12345, 2003/06 0.800 正例

６位 99999, 2000/05 0.741 負例

７位 22532, 2004/01 0.521 負例

順位 PID, TIME スコア副作用

１位 12345, 2000/08 0.995 正例

２位 12121, 2001/10 0.992 負例

３位 3355, 2000/01 0.854 正例

４位 653, 2003/04 0.841 正例

５位 12345, 2003/06 0.800 正例

６位 99999, 2000/05 0.741 負例

７位 22532, 2004/01 0.521 負例

副作用検出結果（全データ数＝７の場合の例の説明*）

*実際のデータ数は、患者数×時刻数（４８か月）

Ｉｌｌｕｓｔｒａ

ｔｉｖｅ

図３－９シグナル検出器の出力例（本実験の結果ではなく仮想例による説明）


17

副作用検出という目的においては、シグナル検出器のスコア上位は全てが正例で、下

位は全てが負例というのが最も望ましいが、そのような完全分離ができない場合はＰＰ

Ｖ－Ｓｅｎｓｉｔｉｖｉｔｙ、Ｓｅｎｓｉｔｉｖｉｔｙ－ＦＰＲがそれぞれトレードオ

フの関係になる。よって、ここでは両者を対比した評価を実施することとした。

図３－１０は実験１の結果である。赤い線がＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔｙ曲線、

青い線がＲＯＣ曲線を示している。例えば、Ｓｅｎｓｉｔｉｖｉｔｙ＝０．８でＰＰＶ

＝０．９を達成していることや、ＲＯＣ曲線の立ち上がりが非常に早く、ＦＰＲが極め

て小さい場合でもＳｅｎｓｉｔｉｖｉｔｙがほぼ１に近い値になっていることからスコ

ア上位はほぼ全て正例で占められていることなどが見て取れる。また、図３－１１は同

実験の結果において、スコア上位何位までに正例が何件含まれていたかを表したグラフ

である。これにおいても、スコア上位１０００件程度まで、ほぼ全てが正例で占められ

ていることが見て取れた。これらの結果から、同一患者群内での判別に相当する実験１

においては、マイニングによって高精度なシグナル検出が可能であることが観察された。

FPR （ROC 曲線）

Sensitivity (PPV-Sensitivity 曲線）

ＲＯＣ曲線は

左上になるほど精度が高いPPV-Sensitivity 曲線は

右上になるほど精度が高い

検出結果上位はほぼ正例

Sensitivity = 0.8, PPV = 0.9およそ上位１８００件中、１６００件

が正例

Sen

sitiv

ity （

RO

C 曲

線）

PP

V （

PPV

-Sen

sitiv

ity 曲

線）

ROC 曲線

PPV-Sensitivity 曲線

図３－１０実験１の結果（PPV-Sensitivity 曲線、ＲＯＣ曲線）


18

0

500

1000

1500

2000

2500

3000

0 500 1000 1500 2000 2500 3000

検出器スコアランキング

正例

数

正例数４５度線全正例数

図３－１１実験１の結果（正例数－ランキング曲線）

図３－１２は実験２の結果である。実験２においては、スコア上位２００件に正例

が９４件含まれているが、スコア最上位５０件には１３件の正例しか含まれていなかっ

た。図では見えにくいが破線楕円で囲った部分に相当する。図３－１３は同実験の結果

において、スコア上位何位までに正例が何件含まれていたかを表したグラフである。ス

コア上位１５００件程度で正例が１０００件強程度含まれていることが見て取れる。こ

れらの結果から、最上位の精度には課題があるものの、異なる患者群の間での判別に相

当する実験２においても、マイニングによって一定の精度でのシグナル検出が可能であ

ることが観察された。


19

上位５０件で正例が１３件最上位の精度が課題

上位２００件で９４件が正例

FPR （ROC 曲線）Sensitivity (PPV-Sensitivity 曲線）

Sen

sitiv

ity （

RO

C曲

線）

PP

V （

PPV

-Sen

sitiv

ity 曲

線）

ROC 曲線

PPV-Sensitivity 曲線

図３－１２実験２の結果（ＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔｙ曲線, ROC 曲線）

0

500

1000

1500

2000

2500

3000

0 500 1000 1500 2000 2500 3000

検出器スコアランキング

正例

数

正例数４５度線全正例数

図３－１３実験２の結果（正例数-ランキング）


20

3-7 医療費情報の活用検討

シグナル検出課題１に向けて、医療費情報を活用する試みを行ったので、それについ

て簡単に報告する。

レセプトデータに含まれる医療費点数を、医科入院外、医科入院、その両方について

年月ごとに集計し、その桁数を可視化項目に追加した。図３－１４にその例を挙げる。

副作用発現が強く疑われるタイミングで、医療費の急激な増大等が起こっていること

を期待して、変化が大きい年月についてレセプト系列を目視確認したが、副作用発現と

の関連性は特に強くない模様が見て取れた。そのため医療費情報の活用については、本

業務での検討事項からは除外することとした。

Bout 73106 4444-4434333444343434344334--4344343344344334333 点数入院外Bin 73106 ---5-----------55----------555------------------ 点数入院Ball 73106 4445-4434333444553434344334555344343344344334333 総点数408A 73106 @@@@-@@@@@-@@@@@@@@@@@@@@@@@@@@@@@@@@@@-@@@@@@@@ 医薬品　シメチジン内用薬 A02B1408U 73106 @@@@-@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@-@@@@@@@@ 医薬品　プレドニゾロン内用薬 H02A2408U 73106 ---------------@@------------------------------- 医薬品　リン酸ベタメタゾンナトリウム注射薬 H02A1408T 73106 ---@-@--@--------------------------------------- 診療行為シアル化糖鎖抗原ＫＬ 160168550408T 73106 ---@-@--@---@----------------------------------- 診療行為ＣＲＰ（定量） 160054710408T 73106 ---@-----------------------@@------------------- 診療行為末梢血液一般 160008010408T 73106 ---@-------------------------------------------- 診療行為躯幹単純ＣＴ撮影 170011810408T 73106 ---@------@---@-----@---@--@@@-@---------------- 診療行為単純撮影（イ）の写真診断170000410408T 73106 --------@-----------@--------------------------- 診療行為フローボリューム 160062710408T 73106 --------@-----------@--------------------------- 診療行為呼吸機能検査等判断料160146910408T 73106 ------------------@-@--@----@@-@--@--@--@---@--- 診療行為ＣＲＰ 160054610408T 73106 --------------------@--@-----@-@--@--@---------- 診療行為シアル化糖鎖抗原ＫＬ－160168550408t 73106 --------@--------------------------------------- 診療行為肺気量分画 160062610408S 73106 -----------------------@------------------------ 傷病　　間質性肺炎 J849408E 73106 73106 ++++-------------------------------------------- 医薬品　濃厚膵臓性消化酵素内用薬 A09A- 73106 ++++-------------------------------------------- 医薬品　塩酸メトクロプラミド内用薬 A03F- 73106 ++++-++++++++++++++++++++++++++++++++++-++++++++ 医薬品　レバミピド内用薬 A02B9 73106 ++++-------------------------------------------- 医薬品　ベシル酸アムロジピン内用薬 C08A- 73106 ++++-+------------------------------------------ 医薬品　フルバスタチンナトリウム内用薬 C10A1

図３－１４医療費集計結果の可視化（点数の桁数を表示）

3-8 まとめと考察

臨床的観点から作成した副作用辞書とスクリーニングルールにより設定した正例・負

例の定義を基に、検出器に入力すべきレセプト特性の選択と検出器の各パラメータの調

整を機械学習により行い、単純化された実験条件下で、一定の精度でシグナル検出に成

功した。これにより「副作用辞書依存の副作用検出」の可能性を確認した。本節の冒頭

で述べた検討のポイントを振り返ると、特性の同定と検出方式の構成に関しては、レセ

プト系列の可視化や機械学習技術によって、極端なマンパワーや特殊な高性能コンピュ

ータに依存しない検出方式の可能性が確認できたと言える。一方、学習データの抽出に

関しては、レセプト系列の可視化によって一定の効率化は実現したものの、レセプト系

列だけで副作用を判断することは多くの場合、専門家にも不可能であるという課題があ

った。


21

「副作用辞書依存の副作用検出」の可能性を確認し、また副作用検出に有効な特性に

関する知見が得られたことから、シグナル検出課題２へ進むこととした。一方、シグナ

ル検出課題１についても、実運用における有効性判断のためにはさらなる検討が必要で

ある。今後の検討ポイントとしては

・今回の結果の詳細分析と検討前段へのフィードバック

・正例・負例の定義の見直し、特性候補タイプの拡大、他のタイプの検出器の検討

・対象患者の拡大可能性（患者Ａ、Ｂ以外でのシグナル検出）

・規模拡大した場合の、人的・計算機的負荷の見積もり

等が挙げられる。

4. シグナル検出課題２：副作用辞書に非記載の副作用検出方法の検討

課題２においては、副作用辞書に記載されていない副作用のシグナルを網羅的に検出

する方法を検討する。課題２の背景と問題構造、検討手順は以下の通りとなる。

課題１の副作用辞書に依存した副作用検出は、一定の精度で実現可能であることを３

章で示したが、全副作用をターゲットにして網羅的に副作用辞書を作成するのは、膨大

な費用・時間が必要となる。また、未知の副作用に関しては、副作用辞書を作成するこ

と自体が原理的に不可能である。これらの理由から課題２で検討する副作用辞書に依存

しないシグナル検出方法を構築する必要性は大きい。

そこで課題２においては、副作用シグナルを有するレセプト系列同士が（副作用の種

類に依らず）何らかの観点での共通性質を持つと仮定し、課題１の検討等も含めてそれ

らを抽出・利用することによって、精度の高いシグナル検出方法を構成できるかを基本

問題構造として設定する。特に

・副作用の種類に依存しない、副作用シグナル発現が疑われるレセプト系列の共通

特性の同定

・同定した特性を組み合わせて精度よく検出を行う方式の構成

が、極端なマンパワーの投入や、特殊な高性能コンピュータなどに頼ることなく、数ヶ

月程度の期間で完了できるかどうかが主たる検討ポイントになる。

課題２の具体的な検討手順は以下の通りである。また、その概要を図４－１に概観す

る。

１．副作用シグナル有のレセプト特性の一般化

課題１の結果から副作用シグナル検出に有効だった特性を一般化する。

２．レセプト系列特性の候補追加


22

上記１だけでは必要な特性が足りないと想定されるので、臨床的観点による専門知識

等から追加して特性を作成する。

３．利用する特性の同定と検出器の構築

検出器の候補設計、機械学習技術による特性選択とパラメータ調整を行う。

４．検出結果の評価

精度評価、検出例目視、検出方式の特徴（実験条件による結果の違いや、特に誤検出

が大きくなる条件等）把握を行う。

５．考察

課題１と同様、上記の手順は順に一通り実行するだけではなく、４の目視結果を１～

３にフィードバックすることで、繰り返し精度向上を行うこととする。

検出結果

正例

副作用発現が強く疑われるレセプト系列

副作用発現でないと強く推量されるレセプト系列

負例

辞書非依存のレセプト系列特性の候補追加

１．２、レセプト系列１．２、レセプト系列特性候補設計特性候補設計

シグナル

検出器

副作用辞書

検出結果


３３..検出器検出器の構築の構築

評価結果

４４..検出結果の検出結果の

評価評価

辞書不記載の副作用に関する

検出結果

評価結果評価結果

５５ ..考察考察

機械学習

検出器（ＮＥＣ保有）のタイプ指定



課題１で得る知見

図４－１課題２の検討手順


23

4-1 マイニング用学習データの追加と再定義

マイニング用の学習データは、課題１と同様に課題２においても、

正例：副作用発現が強く示唆されるレセプト系列例

負例：副作用発現でないと強く推量されるレセプト系列例

である。課題２においては、学習用データ数の増加（および正例の精度向上）を目的と

し、下記の３パタンの方法で学習用データを作成した。

パタン１：スクリーニングルールによる抽出＋ＰＭＤＡによる目視

課題１の６種類の副作用に加え、脳梗塞、心不全、低血糖、血小板減少等副作用を拡

大した副作用辞書を用いて、ＰＭＤＡ設計の

ルール① ３ヶ月以上の原因薬連続処方の後に、６ヶ月以上連続して処方がなく

ルール② 原因薬中止月あるいは翌月に、治療薬の処方および診療行為が発生し

ルール③ ルール②にマッチする最初の診療行為の後、３ヶ月以内に再度診療行為

が発生し

ルール④ 原因薬中止月より前６ヶ月間に、治療薬処方が発生しない

によりスクリーニングを行った。さらに、スクリーニングルールに合致する患者のレセ

プト系列に対してＰＭＤＡが目視を行い、合致した年月を正例として採用するかどうか

の判断を行った。

その結果、正例のレセプト系列（正例とする「患者－タイムスロット」の組み合わせ）

の数は５７件となった。負例の定義は実験によって変えているので、対応する章で述べ

る。

パタン２：マイニング以外の試行調査で使用した副作用イベント

ＰＭＤＡにより、マイニング以外の方法で試行調査された、

・ＮＳＡＩＤｓによる光線過敏症

・ステロイドによる骨粗鬆症

・抗精神病薬による薬剤性パーキンソニズム

・チアマゾールによる無顆粒球症

・α－グルコシダーゼ阻害薬による肝障害

５通りに関して、特定された「患者－タイムスロット」の組み合わせを正例レセプト系

列とし、当該患者で正例でないタイムスロットのレセプト系列を負例とした。正例数は


24

１６９件となった。こちらも負例の定義は実験によって変えているので、対応する章で

述べる。

パタン３：「薬剤性＊＊＊」のように薬剤による副作用が明らかなイベント

薬剤性甲状腺機能障害や薬剤性溶血性貧血といった、薬剤による副作用が明らかな５

２タイプの傷病名をＰＭＤＡにより指定いただき、それを有する患者において当該傷病

が初出するタイムスロットを正例とした。負例は当該患者の正例でないタイムスロット

である。正例数は４７１１件となった。負例の定義は各実験の章で述べる。

課題２においても課題１と同様に、副作用の種類によって正例の区分けを行っている。

パタン１であれば、副作用辞書に記載されている区分、パタン２では上記の５通り、パ

タン３では当該５２タイプの区分けとなっている。また、同一患者の同一タイムスロッ

トが、複数の正例区分けに該当する例も存在していたため、区分け別の正例数の総和は

全正例数の総和と一致しない。

4-2 レセプト系列特性の一般化

シグナル検出課題１では、図３－６に示されるように、副作用辞書の情報に基づいた、

原因薬、治療薬、診療行為の発生パタンを特性データとして利用し、図３－１０や図３

－１２に示されるように、一定の精度で副作用シグナルを検出可能である事を示した。

このアプローチでは、あらかじめ「どこに注目すればよいのか」という臨床的な専門領

域知識に基づいた情報が副作用辞書情報から利用可能である点が、シグナル検出を可能

とした一つの主要因と考えられる。

シグナル検出課題２では、副作用辞書に記載されていない副作用のシグナルを検出す

る事が目的のため、副作用辞書に記載された特定の副作用と紐づいた原因薬や治療薬な

どの分類を利用する事はできない（または、利用した場合にはその原因薬以外で発現す

る副作用は検出する事ができない）。

そこで、シグナル検出課題１で定義した発生パタンを以下の方法で一般化した。

・医薬品発生パタンの一般化

課題１においては副作用と紐づいている医薬品を原因薬及び治療薬に分類し特性デー

タとして用いていたが、課題２においてはこの分類は使用せず、代わりに、「非除外原

因薬」と「除外原因薬」の二つに分類しその発生パタンを特性とした。すなわち、外用

薬や輸液のように、原因薬としては考慮の対象から外してもよいと思われるものを「除

外原因薬」としてＰＭＤＡにご指定いただいた（ＡＴＣコードと剤形大分類の組み合わ

せで９２種類）。これにより、医薬品から作成する特性データに対し「除外原因薬」と

「非除外原因薬」の区別を与えた（除外原因薬も特性データ化の対象とした）。なお、


25

同様のフレームワークとして治療薬についても除外と非除外の区別をつける事が可能で

あるが、原因薬ほど区別が容易ではない点と、区別作業にかかる人的負荷軽減のため、

本検討では治療薬の除外・非除外は扱わない方針とした。

・診療行為発生パタンの一般化

医薬品と同様に、診療行為についても副作用との紐づきを利用する事はできないため、

初診や処方料のような、シグナル検出をするための入力情報として不適切と思われるも

のを「除外診療行為」としてＰＭＤＡにご指定いただいた。医薬品の場合には除外原因

薬が治療薬となる可能性があり、除外原因薬も特性データとして利用したが、診療行為

の場合には除外診療行為は副作用とは関連がないと考えられるため、特性データとして

は扱わない方針とした。除外診療行為は、標準化診療コードの頭３桁が特定の値を持つ

ものや、名称に「加算」等の文字列が含まれるもの、および、それらの例外ルール等で

指定される。それ以外の診療行為、すなわち特性データ化した診療行為を「非除外診療

行為」と述べることにする。

4-3 レセプト系列特性の追加

前節のとおりレセプト系列特性の一般化を行ったのに加え、課題２においては課題１

で用いなかった特性の追加も行った。

追加した特性は、

・患者の年代

・当該年月の入院医科レセプト発生の有無

・入院外医科レセプトの発生の有無、（診療科不明以外の）診療科6

・傷病名

である。

ただし、患者の年代は２００８年１月時点での年齢を、０歳～４歳から６５歳～６９

歳までの５歳きざみの階層化および７０歳以上としたものである。なお、傷病名につい

ては、シグナル検出課題１では副作用辞書との情報の重複が大きいため利用しなかった

が、シグナル検出課題１では副作用辞書を利用しないため、特性データとして利用する

方針とした。

6 内科、外科、小児科、放射線科、整形外科、歯科・口内外科、泌尿器科、産婦人科、

皮膚科、眼科、精神・神経科、耳鼻咽喉科、脳神経外科、麻酔科


26

上記をまとめると、課題２において特性データ化される情報は、除外原因薬、非除外

原因薬、非除外診療行為、傷病名、年代、入院医科レセプト発生、入院外医科レセプト

発生、診療科（内訳は脚注５を参照）となる。図３－６と同様に、これらの情報に関す

る発生パタンを特性データとして利用した。

4-4 シグナル検出課題２の評価方法

課題２では、「副作用辞書に記載されていない副作用」を検出する事が目的のため、

副作用辞書をベースに正例を作成した本検討で、学習されたシグナル検出器の性能を厳

密に評価する事はできない。そこで、本検討では「副作用辞書に記載されていない＝学

習データに含まれていない」と仮定し、図４－２に示される手順によって、課題２に関

するシグナル検出器の評価を行った。

図４－２の手順では、まず副作用辞書に記載されている副作用イベント数に負例集合

を分割する。次に、ある副作用イベントに該当する正例と、分割された負例集合の一つ

を選択し評価データとし（図中では赤にハイライトされたデータ）、残り（それ以外の

正例と負例。図中では青でハイライトされたデータ）を学習データとする。このように

すると、学習データから評価データとしてマスクされた正例に関する副作用イベントが

なくなり、学習していない副作用イベントを検出できるかを、評価する事が可能となる。

最後に、各副作用イベントに対してマスクした評価を実行したら、全ての評価結果をシ

グナルスコアによってランキングし、精度を算出する。

学習

評価副作用１０１

副作用１０２

副作用１０３

：

副作用４１９

副作用４２０

副作用１０１

副作用１０２

副作用１０３

：

副作用４１９

副作用４２０

正例

負例１

負例２

負例３

：

負例４９

負例５０

負例１

負例２

負例３

：

負例４９

負例５０

負例

学習

評価

副作用１０１

副作用１０２

副作用１０３

：

副作用４１９

副作用４２０

副作用１０１

副作用１０２

副作用１０３

：

副作用４１９

副作用４２０

正例

負例１

負例２

負例３

：

負例４９

負例５０

負例１

負例２

負例３

：

負例４９

負例５０

負例

特定の副作用イベントの正例を全てマスクする事で、課題２の状況を模擬

副作用１０１

副作用１０２

副作用１０３

：

副作用４１９

副作用４２０

副作用１０１

副作用１０２

副作用１０３

：

副作用４１９

副作用４２０

正例

負例１

負例２

負例３

：

負例４９

負例５０

負例１

負例２

負例３

：

負例４９

負例５０

負例・・・・・

シグナルの強さによるランキング

（運用では上位から確認）

シグナルの強さによるランキング

（運用では上位から確認）

正例＋負例

負例は副作用イベント種類数（ここでは仮に５０）にランダムに分割

図４－２課題２の精度評価方法


27

4-5 シグナル検出結果の評価１（課題１と課題２の比較）

課題２の評価として、まず課題１と課題２で、検出精度にどの程度の差があるのかを

評価した。なお、本評価実験では、課題１と同様にパタン１に関する正例と負例を用い

て評価を実施した（ただし、正例の作り方を４－１節のように修正したため、結果は３

－６節とは異なる）。この実験では、正例数が５７件、負例数が２７７５件で、正例数

の割合は約２％である。また、特性データ生成の際の時系列長については、課題１より

も正例数が少なくなったため、１２ヶ月から６ヶ月に変更とした。

図４－３に課題１と課題２の比較結果を示す。まず、ＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔ

ｙ曲線（上図）を観察すると、課題１ではＳｅｎｓｉｔｉｖｉｔｙ＝０．５でもＰＰＶ

＝０．７程度であり、３－６節の結果と同様に正例数が少数であっても、高精度に辞書

記載の副作用を検出できている事が確認できる。一方で、課題２では課題１と比較して

同一のＳｅｎｓｉｔｉｖｉｔｙに対するＰＰＶは５分の１程度である。

次に、検出順位上位での正解数（下図）を観察すると、上位１００位までで課題１で

は正解数が約４０、課題２正解数が約８、上位３００位までで課題１は正解数が約５０、

課題２は正解数が約２０であった。課題１は上位３００位で正例５７件中５０件が検出

されている（Ｓｅｎｓｉｔｉｖｉｔｙ＝０．８７８, ＰＰＶ＝０．１６７）のに対して、

課題２では５７件中２２件の検出（Ｓｅｎｓｉｔｉｖｉｔｙ＝０．３８６, ＰＰＶ＝０．

０７３）で課題１と比較した精度低下が顕著である事が確認できる。一方で、課題２の

場合であってもシグナル検出器を利用せずに、ランダムサンプリングで３００件を調査

した場合には、正例の数は約２％程度なので５～６件程度しか検出する事ができないた

め、精度は十分ではないが課題２の場合にもデータマイニングに基づくシグナル検出が

一定の効果がある事が確認できる。


28

図４－３課題１と課題２の精度比較

（上図：PPV-Sensitivity 曲線、下図：検出順位対する正解（正例）数）


29

4-6 シグナル検出結果の評価２（特性の追加）

本評価では、医薬品、診療行為に加えて、傷病名、年代、入院医科レセプト発生、入

院外医科レセプト発生、診療科の特性を追加した場合と、追加していない場合について

精度の比較を実施し、特性を追加する事によってシグナル検出精度が向上するのかを評

価した。この実験では、４－５での評価と同様に正例数が５７件、負例数が２７７５件、

正例数の割合は約２％である。また、特性データ生成の際の時系列長についても同様に

６ヶ月とした。

図４－４にＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔｙ曲線（上図）と検出順位-正解数曲線（下

図）を示す。特性の追加によって、１位から３００位での検出精度にはほとんど変化は

なく、３００位から１０００位の間では特性の追加によって若干の精度向上が観察され

た（件数として５７件の正例に対して特性を追加した方が、正解数が１、２件多い。）

統計的に有意な程の大きな差ではないが、適切な特性を追加する事でシグナル検出精度

が向上する可能性がある事が示唆される。また、一般的には特性データを増やす事によ

ってシグナル検出器が検出可能な副作用の種類が広がる事が期待され、評価データに対

して同程度の精度であれば、将来の拡張を考慮し検出力の高い属性を利用する方がよい

と考えられる。ただし、シグナル検出器を学習する観点からは、データ数が少数の際に

特性の数が多すぎると、学習データに検出器が適合しすぎて汎用性が失われる「過学習」

と呼ばれる現象が発生するため、学習データの数（特に本検討においては数が少ない正

例の数）に応じて特性データを増加していく事が望ましい。


30

図４－４追加属性の有無によるシグナル検出精度の比較

（上図：ＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔｙ曲線、下図：検出順位対する正解（正例）数）

4-7 シグナル検出結果の評価３（負例数増加）

本評価では、副作用パタン１について、正例を５７件とし、４－５、４－６と同様に

負例を２７７５件とした場合（正例の割合は約２％）と、ＰＭＤＡが設定したスクリー

ニングルールによって抽出した負例も評価に利用し、負例を２４６１８件とした場合（正

例の割合は約０．２３%）を比較し、負例が増加した場合にシグナル検出精度がどのよ

うに変化するかを観察した。一般的には、負例が増加すると相対的に正例の検出が難し

くなるため、本評価はその傾向を調べることを目的としている。

図４－５にＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔｙ曲線（上図）と検出順位-正解数曲線（下

図）を示す。負例追加無と負例追加有の場合では、前者の方が検出精度が高く、負例の

割合が増加する事で相対的に正例の検出が難しくなる事が確認できる。一方、正例の割

合が約十分の一になったが精度は二分の一から三分の一の低下にとどまっている。これ

は、負例には「明らかに負例である系列」と「正例と特性が類似した系列」があり、前

者が大部分のため負例数の増加率よりも精度の低下率が低かったと考えられる（つまり、

負例が１０倍に増加すると単純にはスコア上位に現れる負例数も１０倍に増加すること

が想定されるが、実際には上位に検出される負例数がそれよりも少なかった）。また、

ランダムサンプリングによる方法と比較すると、上位３００件で負例を追加しない場合

にはシグナル検出器では正解数が２３件、ランダムサンプリングでは５～６件で約４倍


31

に対して、負例を追加した場合にはシグナル検出器では正解数が１８件、ランダムサン

プリングでは１～２件で約１０~２０倍と、ランダムサンプリングと比較した場合の効

率は負例を追加した方が高いという結果である。したがって、負例数が増加すると問題

の難易度が高くなるため、検出順位上位での正解数は減少するが、マイニングによるシ

グナル検出器の効果が下がるわけではなく、ランダムサンプリングに比べマイニングで

は、大規模なデータを効率よく判別することが可能であることが示された。

図４－５負例の追加によるシグナル検出精度の比較

（上図：ＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔｙ曲線、下図：検出順位対する正解（正例）数）


32

4-8 シグナル検出結果の評価４（副作用パタンの比較）

本評価では、副作用パタン１から副作用パタン３に対するシグナル検出結果を比較す

るために、ケース１：副作用パタン１、ケース２：副作用パタン１＋副作用パタン２、

ケース３：副作用パタン３、を正例とした３ケースについて、シグナル検出精度の評価

を実施した。本評価では、パタンによるシグナル検出の難しさやその傾向を調べること

を目的としている。ケース１は正例数が５７件で負例数が２４６１８件、ケース２は正

例数が２２６件で負例数が３０９７５件、ケース３は正例数が４７１１件で負例数が２

０８４０９件である。

図４－６にＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔｙ曲線と検出順位-正解数曲線を示す。まず、

パタン１のみの場合とパタン１＋パタン２の場合（上段）を比較すると、検出順位１０

００位程度までの上位ではパタン１＋パタン２の方が精度が高く、検出順位が高くなる

とパタン１の方が同じＳｅｎｓｉｔｉｖｉｔｙに対するＰＰＶが高く検出精度が高い。

ケース２の方が上位での検出精度が高くなった点は、ケース１とケース２ではケース２

の方が学習する正例数が多い事や、パタン２にパタン１と類似する特性をもつ副作用が

あり、上位で検出できていた事が要因として考えられる。一方で、パタン２には異なる

５種類の副作用イベントが混在しており（４－１節参照）、単一のシグナル検出器で学

習するにはパタンが複雑で、検出順位が一定以上での検出精度低下につながったと考え

られる。性質の異なる副作用イベントは、検出をするために重要な特性が異なる場合が

あり、領域知識によって副作用をグルーピングしたり、マイニングによるクラスタリン

グを併用したりする事で精度を改善できる可能性がある。パタン３（下段）は、パタン

１やパタン２と比較してシグナル検出精度が高い事が確認できる。最大の要因は、正例

数が４７１１件と多くシグナル検出器を安定して学習出来た点と考えられる。また、「薬

剤性＊＊＊」という傷病がレセプトに現れるという臨床的イベントが、ビットパタンに

よる特性データによって表現し易いことも一因として考えられる。

ケース２について、図４－７でパタン 1とパタン２の検出順位に対する正解数の内訳

を示す。検出順位の最上位では、パタン１の正解数が多く、徐々に両者の正解数の差が

なくなる傾向が確認できる。パタン１の正例数が５７件、パタン２の正例数が１６９件

で、パタン２の正例数が多い事を考慮すると、パタン１と比較してパタン２の検出が難

しいと言える。これは、パタン１が発生パタンに基づくスクリーニングルールとＰＭＤ

Ａの目視に基づいているため、パタン３と同様にバイナリの発生パタンによる特性デー

タによって表現し易い事が一因として考えらえる。逆に、パタン２は、スクリーニング

ルールとは独立に収集された正例のため、バイナリの発生パタンによる特性データだけ

では正例の特徴をうまく捉える事ができていないと考えられる。


33

図４－６パタンによるシグナル検出精度の比較

（上段：パタン１、パタン１＋パタン２、下段：パタン３）


34

図４－７パタン１＋パタン２の評価における各パタンの正解数

4-9 シグナル検出結果の評価５（特性データの発生パタン長）

本評価では、特性データを生成する際に発生パタンの長さを３ヶ月と６ヶ月と変え、

シグナル検出精度を比較評価した。この実験では、特性データを生成するための重要な

パラメータである発生パタン長の影響を調査することで、精度向上の可能性を議論する

ことを目的としている。なお、実験の構成は、４－８節のケース１（パタン１）とケー

ス２（パタン１＋パタン２）とした。（なお、評価では２００８年１２月のレセプト系

列がデータから除外されている。理由は評価６で述べる）

図４－８に、ＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔｙ曲線と検出順位―正解数曲線を示す。

ケース１（上段）では、検出順位最上位での検出精度に大きな変化はなく、５００位以

上の場合に３ヶ月とした方が、精度が高くなる傾向が確認できる。次にケース２（下段）

では、検出順位上位において顕著に精度が向上し、検出順位下位では６ヶ月の場合も３

ヶ月の場合もほとんど精度に差がない。検出順位上位で、前者は精度が向上せず、後者

は精度が向上した要因は、以下の２点が考えられる。まず、パタン１は正例を生成する

際に６ヶ月発生パタンに相当するスクリーニングルールが利用されているため、６ヶ月

と３ヶ月でどちらも正例の特徴をよく表現できる点が考えられる。次に、正例数がケー

ス１では５７件、ケース２では２２６件と十分とはいえないため、発生パタンに必ずし

も合致しない正例（パタン２に多いと考えられる）の傾向をつかむには６ヶ月では複雑

で３ヶ月程度に単純化したほうがよい点が考えられる。なお、６ヶ月の発生パタンは２

の６乗で６４通りに対して、３ヶ月では２の３乗で８通りである。このように、データ


35

の性質や正例数が異なると適切な発生パタン長が変わるため、データに応じた調整を行

う（場合によっては機械学習技術で最適化する）事が、精度向上に向けた一つの課題で

ある。

図４－８特性データの発生パタン長の比較（６ヶ月と３ヶ月）

（上段：パタン１、下段：パタン１＋パタン２）

4-10 シグナル検出結果の評価６（誤検出に関する考察）

評価１から評価５を通じて、検出順位上位で一定の精度で正例（副作用シグナル）を検

出可能である事が確認されたが、負例も一定数は誤検出されることが確認された。その

中で、目視による確認では、特定の年月に関するレセプト系列が検出順位の上位に現れ

る傾向が確認されたため、定量的な評価と考察を行った。


36

検出順位に対して、どの年月のレセプト系列が何件出現したかを図４－９にグラフ化し

た。図４－９では、ｔｉｍｅ０が２００５年１月、ｔｉｍｅ１が２００５年２月という

ようにｔｉｍｅの引数が２００５年１月からの月数を表し、ｔｉｍｅ４７が２００８年

１２月となる。

まず、ケース２（パタン１＋パタン２、上図）をみると、検出順位上位におけるｔｉ

ｍｅ４７（２００８年１２月）の出現頻度が他の年月と比較して突出して大きい事が確

認できる。逆に、ケース３（パタン３）ではｔｉｍｅ０の出現頻度が突出して大きい。

まず、ケース２については、パタン１の正例は「原因薬の中断後に副作用が発生する」

という、医薬品の発生パタンが重要な特性となる。これは、図３－６の０－１のビット

パタンでいえば、１１１０００（６ヶ月で３ヶ月処方後３ヶ月中断）というような、「パ

タンの後ろ側が０」という特性が重要である事を意味する。本検討では、２００５年１

月以前と２００８年１２月以後のデータがないため、その前後は０で補完されるため、

２００８年１２月を中心とする発生パタンは、評価の都合上で「パタンの後ろ側が０」

という特性をもってしまい、正例と類似してしまったためと考えられる。同様に、パタ

ン３では「薬剤性＊＊＊」という医薬品が出現する事が重要な特性となり、これは「パ

タンの前側が０」という特性が重要である事を意味する。したがって、ケース３では、

２００５年１月（ｔｉｍｅ０）が正例と類似してしまい、検出順位上位に出現しやすく

なったと考えられる。

これらの傾向は、本検討のようなデータ期間が限定された評価データを利用した場合

に発生してしまう誤検出であり、より長期間のレセプトデータでの運用を考えた際には

本質的に重要な誤検出とはならない。そこで、ｔｉｍｅ０とｔｉｍｅ４７に対応するレ

セプト系列をデータから除外して、シグナル検出精度を評価した。

図４－１０に、ｔｉｍｅ０とｔｉｍｅ４７を除去した場合としない場合のシグナル検

出精度の比較を示す。検索順位下位では、除去しない方の精度が高い。しかし、上位１

０００程度では、ｔｉｍｅ０やｔｉｍｅ４７を除去する事で上位の（評価のために発生

する、ある意味人工的な）負例が検出されなくなるため、精度が向上する。この結果は、

評価データの実際には発生しない「端」の誤検出を除いた結果精度が向上したという事

と、学習データからこのようなデータの「端」を除く事で精度の向上が見込めるという

事の二つを示唆している。


37

図４－９検出順位上位に現れる年月数

（ｔｉｍｅ０が２００５年１月でｔｉｍｅ１、ｔｉｍｅ２と１ヶ月ずつ増え、ｔｉｍｅ

４７が２００８年１２月）

（上段：パタン１＋パタン２、下段：パタン３）


38

図４－１０ｔｉｍｅ０とｔｉｍｅ４７を除去した場合と非除去の場合の比較

（上図：ＰＰＶ－Ｓｅｎｓｉｔｉｖｉｔｙ曲線、下図：検出順位対する正解（正例）

数）


シグナル検出課題２として、副作用辞書に記載されていない副作用のシグナルを網羅

的に検出する方法を検討した。副作用辞書に記載された副作用を検出するシグナル検

出課題１（第３章）で得られたレセプト系列の発生パタンに基づく特性データを一般


39

化する事で、データマイニングを用いて副作用辞書非記載の副作用を検出できる可能

性がある事を確認した。

シグナル検出精度の向上に向けては、第一に特性データを高度化する事が挙げられる。

課題１では副作用辞書の情報を使い重要な情報を特定した上で特性を生成した結果、

非常に高い精度でシグナルを検出できたが、課題２では副作用辞書の情報を利用して

いないため、例えば医薬品について原因薬になりうるか否か、という非常に大きなく

くりで特性データを生成した結果、診断精度の低下につながった。医薬品や診療行為

は、ある程度臨床領域知識からの分類が可能であったり、注目すべき薬剤情報のよう

にターゲットを絞る情報が入力可能であったりすると考えられ、そのような情報を特

性データの生成に活用する事が重要である。また、機械学習技術を用いて、医薬品の

組合せや非線形な特性を生成する事も考えられる。ただし、非線形属性を利用する場

合には、検出結果の根拠を解釈する事が難しくなるという精度とは別の課題が出る事

に注意が必要である。

次に、シグナル検出器を高度化する事が課題として挙げられる。本検討では、単一の

シグナル検出器によって検出を試みたが、副作用パタンによって重要な特性の傾向が

異なるため、領域知識やクラスタリング技術に基づき、副作用パタンをグルーピング

し、複数のシグナル検出器を学習し検出をする事で、シグナル検出精度が改善する可

能性がある。また、評価データ中の正例の割合が低下すると、相対的に誤検出が多く

なり上位での検出が難しくなるため、明らかに副作用ではないレセプト系列はスクリ

ーニングルールによってフィルタし、ルール化しにくい部分をマイニングによって判

定するなど、ルールとマイニングの併用も重要である。

本検討では、シグナル検出器を学習する目的とその評価の目的で、正例と負例を準備

することが最も困難であった。これは、レセプトデータには副作用イベントの情報が

明示的に記載されていないため、レセプト系列だけで副作用を判断することは多くの

場合専門家にも不可能で、最終的には相当数の生データの目視と、複数人による確認

作業などが発生するためである。また、結果の評価が難しいため、能動学習や半教師

学習など、評価者とのインタラクションを前提とする機械学習手法の適用が難しいと

いう問題も発現した7。シグナル検出器の精度向上と改善ロジックの評価には正例と負

例が必要であり、その効率的な取得の仕組みが今後の重要な課題として挙げられる。

7 能動学習や半教師学習は、正例や負例のラベルが付いていないデータを活用する手法

であるが、結果に対して人間に正例か負例かの判定をしてもらい、再学習を繰り返しな

がら精度を向上させていく枠組みのため、「ラベルの付いていないデータを正例か負例

かに判定する事が難しい」という状況では適用が困難となる。


40

5. 特徴抽出による副作用仮説抽出の検討

本章では、シグナル検出の結果から「疑いが強い」とされたレセプト系列で、どのよ

うな臨床イベントが起きているかを機械的に分析する「特徴抽出」に関して検討した結

果を述べる。

前章で論じたシグナル検出は「どの患者でいつ副作用がおきていると疑われるか」を

分析するものであった。シグナル検出の結果をうけて「その患者において、そのタイミ

ングでどのような臨床イベントが起きているか」や「その臨床イベントは副作用が疑わ

れるレセプト系列に特有なものなのか」を、元のレセプトデータにさかのぼって人手で

確認するのは、目視や比較の対象となるデータが非常に多くなるため、現実的ではない。

特徴抽出はそれを自動的に行う分析である。また本検討では、シグナル検出結果の把握

という使用方法を越えて、特徴抽出分析による未知の副作用発見の可能性についても検

討を行う。

5-1 特徴抽出と副作用仮説抽出

レセプト系列データからの臨床イベントの特徴抽出には様々な方法が考えられるが、

本検討においてはシグナル検出結果を特徴付けるイベントの抽出を行うものとした。す

なわち、シグナル検出器が大きいシグナルスコアを発するレセプト系列において、検出

器が出力するスコアを増加させる発生パタンを見せた薬剤、診療行為、傷病名の共起組

み合わせを抽出し、それらの頻度を、シグナルスコアの大きい／小さいレセプト系列群

で比較するという特徴抽出方式を検討の対象とした。

２－３－２節でも述べたように、シグナル検出器が「いつ副作用が起きているか」を

判定するのをうけて、「そのとき何が起きているか」を特徴抽出で確認するというのが

本来の分析の目的であるが、本検討ではこれをさらに副作用仮説の発見、すなわち「副

作用の原因薬、治療薬、診療行為、傷病名の発見」に利用できないかの検討も行った。

これは、シグナルスコアが高いレセプト系列における固有の臨床イベントとして、その

ような組み合わせが抽出されるのではないかという期待に基づいた検討である。

5-2 特徴抽出手順

特徴抽出に用いる入力情報は、

・レセプト系列集合

・当該レセプト系列に対する検出器の出力（シグナルスコア）


41

・検出器が学習した薬剤、診療行為、傷病名の各ビットパタンの加重値

である。

これらの情報を用いて、特徴抽出は以下の手順で「シグナルスコアが大きいレセプト

系列に固有の臨床イベント」を抽出する。

手順１：シグナルスコアが大きいレセプト系列に対して、加重値の大きいパタンに該当

する薬剤、診療行為、傷病名を抽出し集計

手順２：シグナルスコアが小さいレセプト系列に対して、上記パタンに該当する薬剤、

診療行為、傷病名を抽出し集計

手順３：薬剤、診療行為、傷病名間の共起に関しても、同様に抽出し集計

手順４：これらの集計結果から、シグナルスコアが大きいレセプト系列に多く、小さい

レセプト系列に少ない薬剤、診療行為、傷病名、あるいはそれらの共起を特徴として出

力

シグナル検出器医薬品

パタン０００の加重値：

診療行為パタン０００の加重値

：傷病

パタン０００の加重値：


検出結果検出結果各レセプト系列の

シグナル強度

検出結果検出結果各レセプト系列の

シグナル強度

課題２のシグナル検出

加重値の大きいパタン医薬品

011, 110, 010,,診療行為

010, 001, ,,,,,,,,傷病

111, 011,,,,,,,,,,

正負例内頻度集計・共起組み合わせ頻度集計

正例内頻度薬剤

Ａ：ＸＸ件、Ｂ：ＹＹ件：

診療行為１：ＺＺ件、２：ＷＷ件

：傷病

い：ＡＡ件、ろ：ＢＢ件：

組み合わせＡ１い：○○件

：

負例内頻度薬剤

Ａ：ｘｘ件、Ｂ：ｙｙ件：

診療行為１：ｚｚ件、２：ｗｗ件

：傷病

い：aa件、ろ：bb件：

組み合わせＡ１い：××件

：

頻度比較・ソート

特徴抽出結果

図５－１特徴抽出手順


42

ただし、抽出結果を理解しやすくするため、薬剤に関しては、レセプト系列前期に発

生が多いパタンのものを原因薬、後期に多いものを治療薬として別々に処理し、出力時

も区別することとした。また、上記に記した手順は概念的なものであり、実際には、大

きい／小さいとみなすシグナルスコアの閾値をいくつに定めるかで結果が大幅に変わっ

てしまうことを避ける工夫や、計算量が爆発的に増えるのを避けるための工夫などを行

っている。詳細な抽出手順は付録に記述することとする。

図５－１は、上記の特徴抽出手順のイメージを表したものである（本図中ではスペー

スの関係で「シグナルスコアの大きいレセプト系列」を正例、「シグナルスコアの小さ

いレセプト系列」を負例と記述している）。

5-3 特徴抽出結果の評価１（シグナル検出結果／検出器の挙動把握）

前節の特徴抽出手順を、第４－８章におけるパタン１＋パタン２のシグナル検出の結

果に適用し、原因薬・治療薬・診療行為の組み合わせについて特徴として抽出されたも

のを、表計算ソフトで表示した結果の例を図５－２に掲げる。

1

出力される組み合わせ数は膨大

→結果の目視には表計算ソフトの検索／抽出機能の活用が必要

• 「あやしい」とされたレセプト系列の膨大な情報を、薬剤（原因薬、治療薬に区別）、診療行為、傷病の発生パターンの観点から整理→シグナル検出結果の目視確認方法の一つとなり得る。

・シグナル検出器の挙動把握方法としては改良の余地あり

図５－２特徴抽出の結果を表計算ソフトで表示した例

ここで掲げた例は、膨大な抽出結果に対して、表計算ソフトの検索機能等を用いて特

定の原因薬と治療薬についてのみ表示し、シグナルスコアの大きいレセプト系列におけ

る頻度とシグナルスコアの小さいレセプト系列における頻度の比（頻度比）が大きい順

にソートしたものである。


43

図からも見て取れる通り、特徴として抽出される臨床イベントの組み合わせ（この例

では原因薬と治療薬、診療行為の組み合わせ）は膨大な数にのぼり（次節も参照）、結

果の目視には表計算ソフトの検索や抽出、ソートに相当する機能が必須となる。

抽出されるものが膨大な数になるということは、事実として「シグナルスコアが大き

くなるときでも、必ずしも少数の副作用仮説に相当する臨床イベントのみが固有に発生

しているのではなく、様々な臨床イベントも同時におきている」ということを示してい

る。そのような状態に対して「何がおきているか」を見て取るという目的に対しては、

このように「特徴抽出分析を行った結果を表計算ソフトにより目視する」というのは、

ひとつの方法となりえる。一方、あまりにも提示される情報が多いため、「どのような

入力データのときにシグナル検出器は大きな値を出力するのか」を読み取ることは簡単

ではなく、シグナル検出器の挙動を把握するという目的に対しては、それを達成してい

るとは言い難い。検出器の挙動を把握するという目的に対しては方式の改良が必要であ

る。

5-4 特徴抽出結果の評価２（マスクされた副作用仮説の再現）

課題２のシグナル検出器は、学習時に提示されなかった種類の副作用についても、シ

グナルを一部検出することができることを前章で観察した。これは、当該シグナル検出

器の出力をうけて特徴抽出分析を行うことで、学習時に提示されなかった副作用に関す

る「薬剤、診療行為、傷病」等の組合せ、すなわち副作用に関する仮説を発見すること

ができる可能性があることを示唆している。

本節では、一部の副作用辞書の内容をマスクして実験を行った第４－８章のシグナル検

出器の出力を入力とし、第５－２章で示した手順で特徴抽出を行うことで、学習時にマ

スクされていた辞書の内容が再現されるかを観察し、上記のような副作用発見の可能性

に関する検討を行う。


44

表５－１抽出された特徴数とマスク内容該当数

原因薬

抽出された特徴の数 731

マスク内容に該当する数 99

原因薬・治療薬の共起



原因薬・治療薬・診療行為の共起



原因薬・治療薬・診療行為・傷病の共起



原因薬



原因薬・治療薬の共起



原因薬・治療薬・診療行為の共起



原因薬・治療薬・診療行為・傷病の共起



実験条件は第４－８章と同じである。このシグナル検出の結果に対して「原因薬」、

「原因薬、治療薬の組み合わせ」、「原因薬、治療薬、診療行為の組み合わせ」、「原

因薬、治療薬、診療行為、傷病名の組み合わせ」の４通りの特徴抽出を行い、その結果

に対して「学習時にマスクされていた辞書内容に合致するものが何件あるか」の集計を

行った。表５－１は抽出された特徴数と、マスクされていた辞書内容（＝マスク内容）

に合致していたものの件数をまとめたものである。

「原因薬」、「原因薬、治療薬の組み合わせ」、「原因薬、治療薬、診療行為の組み

合わせ」に関しては、マスク内容の再現はされてはいるが、膨大に抽出される大量の特

徴に比して多くはない。これは、特徴抽出結果から副作用仮説の発見を行おうとしても、

このままでは効率は低くなることを意味している。また、第５－３章に記載した頻度比

や、独立性の検定統計量、あるいは単純に「シグナルスコアの大きいレセプト系列内で

の頻度」などを用いて抽出される特徴をソートしてみたが、特にマスク内容に相当する

特徴が上位に集まるようなことは観察されなかった。これは、そのような自然なソート

方法程度では、副作用仮説の発見効率を向上させることは難しいことを示している。

また「原因薬、治療薬、診療行為、傷病名の組み合わせ」に関しては、マスク内容に

相当する特徴は抽出されなかった。この四つの組み合わせの特徴抽出から副作用仮説を

発見することは、非常に難しいことを示している。

5-5 特徴抽出結果の評価３（そのほかの副作用仮説の抽出）

上記の実験でマスク内容に相当するものが抽出されなかった「原因薬、治療薬、診療

行為、傷病名の組み合わせ」の特徴に関して、臨床的観点から副作用に該当するものが

含まれていないかをＰＭＤＡにより目視で確認を行った。


45

結果としては抽出された特徴の総数６１６０４件中、９件のみが副作用に相当していた。

これは非常に低い割合であり、この四つの組み合わせの副作用仮説を本特徴抽出分析に

よって発見しようとしても、極めて効率が低くなることを示している。

5-6 副作用仮説発見効率の向上可能性

第５－４章のマスク内容再現実験の結果も、第５－５章のその他の副作用仮説の目視

確認の結果も、「シグナル検出結果の特徴抽出による副作用仮説発見」は効率が低くな

ることを示している。仮説発見の目的には、シグナル検出結果からの特徴抽出は適して

いないといえる。

今回はシグナル検出を主目的とする検討において、副次的な分析として特徴抽出によ

る仮説発見を検討したが、もし仮説発見を主目的とするならば、最初から「薬剤、診療

行為、傷病名」等の組み合わせが副作用に相当するか否かを同定するための学習を行う

方が自然である。そのような学習方法としては関係性学習などの技術が存在し、学習さ

れた関係性を満たす組み合わせを出力する分析は情報抽出と呼ばれて研究が行われてい

る。

副作用発見のために関係性学習を行い情報抽出をするとすれば、今回のシグナル検出

結果からの特徴抽出と比較して「どのような条件を満たす組み合わせを出力するか」が

異なってくる。今回の特徴抽出が出力する組み合わせが満たす条件は「シグナルスコア

が大きいレセプト系列で」「シグナルスコアを増加させる発生パタンをもつ臨床イベン

ト」である。

副作用発見を目的とした関係性学習等を行った際に、発見効率が向上する可能性があ

るかを評価するために、今回の特徴抽出における上記の出力条件の後者を変更、すなわ

ち特徴として出力する臨床イベントの発生パタンを変更して第５－４章と同様な「マス

クされた内容が再現されるか」の実験を行ってみた。

表５－２は発生パタンに関する抽出条件を変更した実験の結果である。発生パタンの

抽出条件以外は、第５－４章の実験と同じ条件で行っている。


46

表５－２抽出用のパタンの変更と辞書内容の再現性

（数値上段が抽出特徴数、下段がマスク内容該当数）

抽出に用いたパタン

抽出する特徴元のまま Strict Typical 人手設計

原因薬731 393 440 800

99 79 84 88

原因薬・治療薬19372 2346 3357 28861

458 127 183 416

原因薬・治療薬・診療行為

47797 34538 65075 76353

241 456 893 100

原因薬・治療薬・診療行為・傷病

61604 95316 90727 66124

0 131 128 0

抽出に用いたパタン

抽出する特徴元のまま Strict Typical 人手設計

原因薬731 393 440 800

99 79 84 88

原因薬・治療薬19372 2346 3357 28861

458 127 183 416

原因薬・治療薬・診療行為

47797 34538 65075 76353

241 456 893 100

原因薬・治療薬・診療行為・傷病

61604 95316 90727 66124

0 131 128 0

表中の抽出に用いたパタンは

・元のままシグナル検出器で加重値の大きいパタン（第５－４章と同じ）

・Ｓｔｒｉｃｔ原因薬は期間前半での頻度が後半より２以上大きい全てのパタン、

治療薬、診療行為、傷病はその逆

・Ｔｙｐｉｃａｌ原因薬は期間前半での頻度が後半より１以上大きい全てのパタン、

治療薬、診療行為、傷病はその逆

・人手設計副作用仮説の抽出がうまくいくことを狙って人手で工夫したパタ

ン。シグナルスコアの大きいレセプトデータを目視しながら、不

要と思われるパタンを上記Ｔｙｐｉｃａｌから削除することによ

り調整（体系的に何かの基準に基づいて調整を行ったわけではな

い）である。

ＳｔｒｉｃｔやＴｙｐｉｃａｌに関しては、そのようなパタンを用いることによりマ

スク内容の再現性がよくなる場合があることが見て取れる。特に、シグナル検出結果か

ら特徴抽出するだけでは全く再現できなかった、「原因薬、治療薬、診療行為、傷病名

の組み合わせ」に関してもこれらのパタンでは再現できるものがあることが見て取れる。

一方、人手によるパタンの設計では本実験では再現性を高めることに失敗していること

も観察された。

本実験においては抽出するパタンの条件を単純に別のものに変えてみただけである

が、それだけでも再現性があがることが観察された。実際に「仮説発見を目的とした分


47

析」をする際には、仮説発見がうまくいくように抽出するパタンの条件等が学習によっ

て調整されるので、再現性はさらに向上すると考えられる。


シグナル検出結果を入力として、シグナルスコアが大きいレセプト系列において、シ

グナルスコアを増加する臨床イベントの組み合わせを出力する特徴抽出分析について、

シグナル検出結果の整理やシグナル検出器の挙動の把握、副作用仮説の発見の可能性の

観点から検討を行った。

抽出される特徴（臨床イベントの組み合わせ：原因薬と治療薬、診療行為の組み合わ

せ）の数は膨大で、結果を目視するには表計算ソフトにおける検索やソート等に相当す

る機能が必要である。シグナル検出結果の整理という意味では一つの手法として位置づ

けられるが、シグナル検出器の挙動を把握するのは困難である。

副作用仮説の発見可能性の検討のためには、学習時にマスクされた副作用辞書内容の

再現性を評価する実験と、その他の副作用に相当する内容の目視確認を行った。再現性

実験では、膨大に抽出される特徴の一部のみしかマスク内容に合致しないことが観察さ

れた。また、その他副作用の目視確認においてはさらに極めて低い割合でしかそのよう

な特徴は含まれていないことが観察された。これは、このような特徴抽出をそのまま利

用しても、副作用仮説の発見効率は低くなることを示している。

一方、参考実験として、シグナルスコアが大きいレセプト系列において抽出すべき対象

を選定する条件を変えてみたところ、マスクされた副作用辞書内容の再現性が向上する

ことが観察された。これは、仮説発見自体を目的とした関係性学習等による情報抽出分

析を行うことにより、副作用仮説の発見効率が向上するであろうことを強く示唆するも

のである。


48

6. NRDB への適用に向けた課題

本検討作業では、クレンジングやコーディング等の整形作業を済ませてあるレセプト

データ約４０万人分を分析の対象とした。そのため、データの不備やサイズが主たる問

題となることはなかった。一方、ナショナルレセプトデータベース（ＮＲＤＢ）を分析

の対象とする場合には、このデータ整形と莫大な人数へ対応は非常に大きな問題となる

ことは明らかである。本章では、本検討と同様な分析をＮＲＤＢに対して行う際に想定

される課題と、その解決案に関して述べる。

・クレンジングの問題に起因する課題

ＮＲＤＢにおいては、入力規則の違反や値の欠損、誤入力を含むデータレコード（不

全レコード）が一定の割合で含まれると想定される。このようなデータレコードが入力

データに含まれていると、本検討の対象としたシグナル検出や特徴抽出といった分析に

おいてノイズとして働き、各種精度の低下の重大な要因となる。

この解決方法としては、一定のルールに従って機械的にクレンジング処理を行うことが

第一に挙げられる。特に「副作用が発現しているレセプト系列を全て検出する」等の、

全件抽出を主目的としないのであれば、データの量自体は多大であるので、不全レコー

ドを修正する方法を工夫するのではなく、機械的に入力データから取り除くという方式

が適切であると想定される。そのような処理は既存の技術である程度までは実現可能で

ある。

・コーディングの問題に起因する課題

コーディングの主眼は「同一とみなすべきものの表現を同一にする」「区別すべきも

のの表現を違うものにする」こと（一意性の保証）である。本検討においては、コード

の値自体は表面的には分析に使用していないが、辞書のマッチングや、特徴データの生

成、臨床イベントの発生回数の集計等のいたるところで、一意性の保証に依存した処理

を行っている。ＮＲＤＢにおいては、同一とみなすべきものが違う表現で入力されてい

たり（表記ゆれ）、区別すべきものも同一の値を入力されていたりする（低分解能）レ

コードが無視できない割合で含まれると想定される。表記ゆれはシグナル検出器の学習

効率（一定の精度を獲得するのに、どれくらいの学習データが必要か）の低下や、特徴

抽出結果の可読性の低下を引き起こす。低分解能は各種分析の精度を低下させる。

表記ゆれへの対処方法は、機械的に表記ゆれを修正する処理が第一に挙げられる。表

記ゆれ修正処理は、基本的に表記ゆれ辞書に基づいて、同一表現すべきものをレセプト

データからマッチング抽出し、特定の表現に揃えていくという動作をする。どれだけ充

実した表記ゆれ辞書を作成できるかが、表記ゆれ修正処理の精度を決定するが、表記ゆ


49

れ辞書作成を支援するシステムの研究も行われており、これも既存の技術である程度ま

では可能であると想定される。また、副作用辞書などのような突合すべき対象データが、

レセプトデータと異なるコード体系で表現されている場合も、問題は表記ゆれと同じで

あり、ここで述べた対処方法が第一に挙げられるものである。

低分解能への対処は既に失われている情報を復元することに相当するので難しい。汚

いレコードとみなしてクレンジング処理により入力データから削除する等が考えられ

る。

・データサイズの問題に起因する課題

ＮＲＤＢのデータサイズは、今回対象としたデータと比べ物にならないほど大きい。

これら全件に対して、本検討における分析を素朴に適用することは、必要な処理時間・

メモリ量などの意味から非現実的である。

データサイズへの対処は、分析の種類や目的に依存して、サンプリングや処理のオン

ライン化、分解・並列化などが考えられる。例えば、シグナル検出器の学習であれば、

もとより全データを入力する必要はなく、各加重値の値を精度よく決定するのに必要な

だけのデータ数をサンプリングして用いれば足りる。また、特徴抽出における各種イベ

ントの頻度集計は、全データを一度にシステムに入力して行う必要はなく、データを入

手するたびに過去の集計結果を利用して集計結果を更新していくような方法（オンライ

ン化）が可能である。また、学習が済んだシグナル検出器で、色々なレセプト系列に対

するシグナルスコアを計算する際も、一つのシグナル検出器に全データを入力するので

はなく、複数のシグナル検出器を準備しておいて、それぞれが手分けしてシグナルスコ

アの計算を行う（分解・並列化）等の方法が可能である。

・運用フロー関係の課題

本検討においても、分析結果や学習されたシグナル検出器の加重値に対する人手によ

る評価結果を、さらに分析アルゴリズムの調整にフィードバックするというフローが重

要な役割を果たした。ＮＲＤＢにおいては各種イベントの発生頻度の経年的変化や、新

薬の追加などがおこるので、分析アルゴリズムの調整は継続的に必要となり、さらにこ

のフローの重要性が大きくなると想定される。ＮＲＤＢに対する分析運用においては、

分析結果が一方的に出力されるだけではなく、出力された分析結果に対する何らかのフ

ィードバックが、分析アルゴリズムの調整のために利用されるようなフローが存在する

ことが重要であるといえる。


50

7. まとめ

レセプト系列の医薬品や診療行為パタンを特性とし、「副作用発現の疑いの強さ」を

出力するシグナル検出器を機械学習技術によって構成し、副作用辞書に記載された副作

用と記載されていない副作用の両者についてシグナル検出の可能性を評価した。実験結

果からは、学習した副作用イベントだけでなく、類似の特性をもつ未学習の副作用イベ

ントに関しても、副作用が発現しているレセプト系列を特定できる可能性がある事が示

唆された。一方で、正例数の不足、正例と類似の特性を示す負例の存在等に起因し、直

接実務で利用するに十分な検出精度は得られなかった。

また、シグナルスコアが大きいレセプト系列固有の臨床イベントを、機械的に抽出す

る「特徴抽出」分析に関しても検討を行った。実験からは、シグナルスコアが大きくな

るレセプト系列の特徴を抽出するだけでは、副作用仮説（薬剤、診療行為、傷病名等の

組み合わせ）発見の効率は低くなるが、仮説発見を目的とした分析手法で効率向上でき

る可能性は十分に期待できることが確認された。

シグナル検出精度向上にむけては、特性データの高度化（組合せ、外部情報、非線形

等）やシグナル検出ロジックの高度化（ルールとの融合、学習データ獲得の効率化等）

等が今後の重要な課題として挙げられる。また、特徴抽出については、本検討は副作用

仮説の抽出という視点に関しては、重要でありながらも、副次的な取り組みによって可

能性を示したにとどまっている。「副作用仮説の抽出」という視点からの本格的な取り

組み、および今回の結果との融合方法の検討は重要な今後の課題である。


51

付録

A. シグナル検出アルゴリズム

本節では、機械学習に基づくシグナル検出アルゴリズムの詳細について説明する。

シグナル検出器は、正例と負例を学習し、評価対象のレセプト系列に対する副作用の

疑わしさの順位付けをする機能が要求され、これは機械学習分野でいえば教師付学習問

題と捉える事ができる。特に、本検討では以下の理由から、Ｌ１正則化ロジスティック

回帰モデルを利用する方針とした。

・正例と負例が与えられる事から、二値判別問題として捉える事が可能であり、順位付

けをするために正例（副作用）である確率（副作用シグナルスコア）を出力可能なモデ

ルである事が望ましい

・学習されたモデルがシグナルスコアに基づく順位付けをした際に、シグナルスコア算

出の根拠を利用者が理解できる（どの特性がシグナルスコアの増加（減少）にどの程度

寄与しているのか）事が望ましい（根拠導出が難しい非線形分類器は精度が良かったと

しても本検討には適さない）

・ロジスティック回帰モデルは医療分野でも頻繁に利用されるため、検討内容に対する

親和性が高い

・レセプト系列は多数の特性から構成されるため、シグナル検出器が自動的に重要な特

性を選択できる必要がある

以下、Ｌ１正則化ロジスティック回帰の数理的構造について説明する。

Ｘを特性データに対応するＤ次元の説明変数とし、Ｙを副作用発現の有無を表す確率

変数とする（Ｙ＝＋１は副作用が発現、Ｙ＝－1は非発現を表す）。また、ＷをＤ次元

の重みベクトルとする。この時、ロジスティック回帰モデルは、


52

と表わされる。ただし、Ｐ（●|○；★）は★をパラメータとし、○が与えられた場合の

●の条件付確率を表すとする。また、上付きのＴはベクトルの転置を表す。

学習データとして正例と負例 {ｘｎ,ｙｎ} (ｎ＝１,…,Ｎ)が与えられた場合に、Ｌ１

ロジスティック回帰では、以下の目的関数を最適化する事によって、パラメータＷの値

を算出する。ただし、ｘｎとｙｎはそれぞれＸとＹの実現値とする。

ただし、λは尤度（右辺第１項）と罰則項（右辺第２項）のバランスを調整するパラメ

ータであり、|Ｗ|１はＷのＬ１ノルムである。なお、Ｌ(Ｗ)はＷに関する凸関数であり、

勾配法に準じた方法によって最大化をする事が可能である。最大化のアルゴリズムの詳

細については割愛する。

Ｌ(Ｗ)を最大化するパラメータの値をＷ＊とすると、評価データｘに対するシグナル

スコアはＰ(Ｙ＝＋１|ｘ; Ｗ＊)として計算される。この時、ＷとＸのｄ次元目の要素を

それぞれＷｄ、Ｘｄとすると、ＷTＸ＝ΣＷｄＸｄであるため、ＷｄＸｄの値を確認する事で、

特性のうちどの要素がシグナルスコアの増加（減少）に重要であったかを確認する事が

可能である。また、詳細は割愛するが、Ｌ１正則化によってＷを最適化した場合には、

Ｄ次元のＷの要素の多くが０となる（つまりＷｄ＝０となる特性はシグナルスコアの計

算に寄与しない）事が知られており、本検討においても重要な特性の自動抽出が可能で

ある。

B. 特徴抽出アルゴリズム

ここでは、本検討における特徴抽出アルゴリズムの詳細を述べる。

特徴抽出アルゴリズムの入力データは、

・レセプト系列集合

・当該レセプト系列に対する検出器の出力（シグナルスコア）

・検出器が学習した薬剤、診療行為、傷病名の各パタンの加重値


53

である。これらのデータに対し、以下の処理を行うことで「シグナルスコアが大きいレ

セプト系列に固有の臨床イベント」を抽出する。

ステップ１：抽出対象パタンの構成

検出器が学習した加重値が正となっている薬剤、診療行為、傷病それぞれの発生パタ

ンを全てピックアップする。各発生パタンは入力レセプト系列の期間長と同じ桁数の０

か１のビットパタンで表わされている（第３章参照）が、期間の前半と後半のどちらに

１が多いかで、次のように抽出対象パタンを定義する。

・原因薬抽出パタン薬剤に関してピックアップされた発生パタンで期間の前半に

１が多いもの（前半後半同数の場合も含む）

・治療薬抽出パタン薬剤に関してピックアップされた発生パタンで期間の後半に


・診療行為抽出パタン診療行為に関してピックアップされた発生パタンで期間の後

半に１が多いもの（前半後半同数の場合も含む）

・傷病名抽出パタン傷病に関してピックアップされた発生パタンで期間の後半に


例えば、期間長６のレセプト系列に対して、シグナル検出器における薬剤の発生パタン

「１０１００１」の加重値が正であれば、これは原因薬抽出パタンとなる。

ステップ２：シグナルスコアが大きいレセプト系列における集計

ステップ１で定義された原因薬、治療薬、診療行為、傷病名の抽出ルールに従って、

その発生パタンに該当する薬剤や診療行為、傷病に対して、入力されたレセプト系列で

検出器の出力（シグナルスコア）が大きいものの中における頻度を集計する。ただし、

シグナルスコアが大きいレセプト系列における頻度とは、シグナルスコアが特定の閾値

を越えるレセプト系列内での頻度ではなく、シグナルスコアが１のレセプト系列におけ

る頻度は１件、シグナルスコアが０のレセプト系列における頻度は０件、シグナルスコ

アが０．５のレセプト系列における頻度は０．５件というように、スコアに応じてソフ

トカウントしたもの（シグナルスコアｐのものをｐ件とカウントしたもの）を集計する

ものとする。

例えば、シグナルスコアが０．８のレセプト系列において、薬剤Ａが上記の原因薬抽

出パタンに合致していれば、この薬剤は当該レセプト系列において原因薬として０．８

件発生していたとカウントされることになる。


54

上記の手順で、レセプト系列集合に存在する全ての薬剤、診療行為、傷病名に対して、

ステップ１で定義された抽出ルールに従って、シグナルスコアが大きいレセプト系列中

における原因薬としての発生件数、治療薬としての発生件数、診療行為としての発生件

数、傷病名としての発生件数として集計される。

ステップ３：シグナルスコアが小さいレセプト系列における集計

ステップ２と同様な方法で、原因薬、治療薬、診療行為、傷病名の抽出ルールに従っ

て、その発生パタンに該当する薬剤や診療行為、傷病に対して、入力されたレセプト系

列で検出器の出力（シグナルスコア）が小さいものの中における頻度を集計する。ここ

でも、シグナルスコアに閾値を設定して条件を見たすものを数えるのではなく、シグナ

ルスコアが０のレセプト系列における頻度は１件、シグナルスコアが１のレセプト系列

における頻度は０件、シグナルスコアが０．５のレセプト系列における頻度は０．５件

というように、スコアに応じてソフトカウントしたもの（シグナルスコアｐのものを１

－ｐ件とカウントしたもの）を集計するものとする。

ステップ４：組み合わせに関しても同様に集計

原因薬、治療薬、診療行為、傷病名の組み合わせに関しても、ステップ２、３と同様

にシグナルスコアの大きいレセプトにおける頻度、シグナルスコアの小さいレセプトに

おける頻度の集計を行う。ここで組み合わせというのは、特定のレセプト系列において

薬剤Ａが原因薬抽出ルールに合致し、同じレセプト系列（の同じタイムスロット）にお

いて薬剤Ｂが治療薬抽出ルールに合致したときに、原因薬Ａと治療薬Ｂの組み合わせが

当該レセプト系列で頻度集計の対象になるということである。

原因薬、治療薬、診療行為、傷病名の組み合わせ方は多数あるが、ここでは副作用仮

説発見の可能性検討という目的を鑑み、「原因薬、治療薬」、「原因薬、治療薬、診療

行為」、「原因薬、治療薬、診療行為、傷病名」の３通りの組み合わせ方だけを集計の

対象とした。

また、組み合わせに関して集計を行う際は、集計対象となる薬剤や診療行為等の組み

合わせ数が膨大な数にのぼるため、計算量や必要な記憶容量を節約するための処理も行

った。具体的には、集計対象となる組み合わせの数が１０万を超える場合には、シグナ

ルスコアが大きいレセプト系列における頻度が一定値を下回るものを無視するという処

理である。これにより、シグナルスコアが大きいレセプトで稀な臨床イベントの組み合

わせは集計処理の対象外となり、特徴抽出の結果にも現れなくなる。


55

ステップ４：特徴度によるソートと出力

ステップ２、３あるいは４の結果を用いて、各原因薬、治療薬、診療行為、傷病名あ

るいは、それらの組み合わせの特徴度を計算し、それを用いたソートと結果の出力を行

う。特徴度としては、集計された頻度や入力データ数などを用いた任意の数式を採用す

ることができるが、本検討においては「シグナルスコアが大きいレセプト系列に、どれ

ぐらい偏って現れるか」を直感的に定式化した頻度比（シグナルスコアが大きいレセプ

ト系列中の頻度を、全レセプト系列中の頻度で除したもの）を基本的に採用した8。

例えば、原因薬Ａと治療薬Ｂと診療行為Ｃの組み合わせの、シグナルスコアが大きい

レセプト系列における頻度が８．３件、シグナルスコアが小さいレセプト系列における

頻度が１．７件であったとすると、頻度比は８．３／（８．３＋１．７）＝０．８３と

なる。この値で原因薬や治療薬など、あるいは組み合わせそれぞれの抽出結果をソート

して出力する。

以上

8頻度比以外にも、シグナルスコアの大小と頻度の高低に関する独立性検定統計量や、原

因薬や治療薬単独の頻度と、それを組み合わせた頻度の独立性に関する検定統計量など

も採用してみたが、副作用仮説発見効率などの面で定性的にとりたてて大きな差はなか

った。逆に単純にシグナルスコアが大きいレセプト系列における頻度そのものを特徴度

とソートに使うことも行ったが、高頻度な臨床イベントが上位にランキングされるにと

どまった。

Documents

レセプトデータを用いたデータマイニングによる シグナル検 …レセプトデータを用いたデータマイニングによるシグナル検出に関する検討報告書

レセプトデータを用いたデータマイニングによるシグナル検 …レセプトデータを用いたデータマイニングによるシグナル検出に関する検討報告書